LGB+: A Macroeconomic Forecasting Road Test
LGB+：宏观经济预测的实测评估AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究美国季度宏观预测，并以经济时间序列的自回归动态及线性非线性混合信号为方法动机。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
LGB+：宏观经济预测的实测评估
- 研究问题
- 当经济序列兼有线性自回归持续性和非线性信号时，如何避免树提升在小样本中低效近似线性关系，并改善宏观预测？
- 方法与思路
- 作者提出同时使用树与线性基函数的提升程序：一种按袋外表现逐步择优，另一种固定交替树更新和贪婪线性修正。
- 材料陈述的贡献
- 摘要称，预测及相关解释指标可分解为线性和非线性贡献；美国季度宏观预测中，对自回归明显或混合信号目标获得较大改进。
- 阅读关注点
- 应核对袋外选择与时间顺序的兼容性、线性修正和调参规则，以及预测划分、比较基准和变量重要性分解的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未报告误差数值、显著性或跨样本稳定性，不能将局部改进推广至所有目标。
原文摘要
Needless to say, linear dynamics are pervasive in economic time series, particularly autoregressive ones. While gradient boosting with trees excels at capturing nonlinearities, it is inefficient in small samples when much of the predictive content is linear, expending splits to approximate relationships better captured by simple linear terms. This paper proposes LGB+, a boosting procedure operating on a more inclusive set of basis functions. The idea comes in two flavors. LGB+ evaluates a tree and a linear candidate at each step against out-of-bag data; only the winner advances. The simpler variant, LGB^A+, alternates on a fixed schedule: a block of tree updates, then a greedy linear correction, repeat. Both designs avoid ex ante commitments to any particular functional form or predictor selection. Because the prediction is the sum of a linear and a tree component, forecasts decompose natively into linear and nonlinear contributions, and so does permutation-based variable importance and historical proximity weights. In a quarterly U.S. macroeconomic forecasting exercise, LGB+ delivers strong gains for targets with pronounced autoregressive dynamics or mixed linear-nonlinear signals. Variables dominating the linear channel are those operating through autoregressive persistence or near-accounting relationships to the target (e.g., initial claims for unemployment and building permits for housing starts).