Non-linear Phillips Curve for India: Evidence from Explainable Machine Learning
印度的非线性菲利普斯曲线：可解释机器学习证据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：摘要围绕印度通胀的动态关系、机器学习预测及线性模型比较展开，直接对应宏观预测与时间序列。
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…
印度的非线性菲利普斯曲线：可解释机器学习证据
- 研究问题
- 在存在非线性与结构变化的背景下，机器学习能否改进印度总体通胀预测，并揭示新凯恩斯菲利普斯曲线中的阈值与交互关系？
- 方法与思路
- 作者在新凯恩斯菲利普斯曲线框架内使用机器学习预测总体通胀，并以可解释机器学习分析变量作用及非线性关系。
- 材料陈述的贡献
- 摘要称，机器学习预测优于标准线性模型，通胀预期的作用最突出，其次是滞后通胀和产出缺口，并发现阈值与交互效应。
- 阅读关注点
- 应核对预测窗口、信息可得时点、调参及基准模型公平性，并区分可解释模型中的变量重要性与具有识别依据的经济因果作用。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未说明算法、样本与显著性检验；变量重要性不能直接解释为因果贡献。
原文摘要
The conventional linear Phillips curve model, while widely used in policymaking, often struggles to deliver accurate forecasts in the presence of structural breaks and inherent nonlinearities. This paper addresses these limitations by leveraging machine learning methods within a New Keynesian Phillips Curve framework to forecast and explain headline inflation in India, a major emerging economy. Our analysis demonstrates that machine learning-based approaches significantly outperform standard linear models in forecasting accuracy. Moreover, by employing explainable machine learning techniques, we reveal that the Phillips curve relationship in India is highly nonlinear, characterized by thresholds and interaction effects among key variables. Headline inflation is primarily driven by inflation expectations, followed by past inflation and the output gap, while supply shocks, except rainfall, exert only a marginal influence. These findings highlight the ability of machine learning models to improve forecast accuracy and uncover complex, nonlinear dynamics in inflation data, offering valuable insights for policymakers.