REAL‐TIME FORECASTING OF INFLATION AND OUTPUT GROWTH WITH AUTOREGRESSIVE MODELS IN THE PRESENCE OF DATA REVISIONS
数据修订下利用自回归模型实时预测通胀与产出增长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。
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：摘要明确研究数据修订条件下的宏观实时预测与自回归时间序列模型。
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…
数据修订下利用自回归模型实时预测通胀与产出增长
- 研究问题
- 实时预测通胀和产出增长时，使用轻度修订数据估计自回归模型是否优于最新数据版本？这种收益如何依赖数据修订过程？
- 方法与思路
- 作者比较轻度修订与最新版本数据上的自回归预测，分析修订过程和真实值过程的作用，并评价显式建模修订的多版本模型。
- 材料陈述的贡献
- 摘要报告单变量模型预测均方根误差改善 2–4%，多变量模型改善 8%；多版本模型需较大估计样本才能提供有竞争力的预测。
- 阅读关注点
- 核对轻度修订的定义、实时可用信息与预测目标版本，以及误差改善的计算基准，并检查多版本模型的样本长度要求。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定预测期限、样本区间及改善的统计显著性；所报百分比不能直接推广到其他修订机制。
原文摘要
SUMMARY We examine how the accuracy of real‐time forecasts from models that include autoregressive terms can be improved by estimating the models on ‘lightly revised’ data instead of using data from the latest‐available vintage. The benefits of estimating autoregressive models on lightly revised data are related to the nature of the data revision process and the underlying process for the true values. Empirically, we find improvements in root mean square forecasting error of 2–4% when forecasting output growth and inflation with univariate models, and of 8% with multivariate models. We show that multiple‐vintage models, which explicitly model data revisions, require large estimation samples to deliver competitive forecasts. Copyright © 2012 John Wiley & Sons, Ltd.