A Neural Phillips Curve and a Deep Output Gap
神经网络菲利普斯曲线与深度产出缺口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：摘要直接研究通胀预测、潜在产出缺口及预测的经济解释，最明确的领域依据是宏观预测方向。
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
神经网络菲利普斯曲线与深度产出缺口
- 研究问题
- 当通胀预期和产出缺口均不可观测时，如何从高维观测指标估计菲利普斯曲线的潜在状态，并形成经济含义明确的预测？
- 方法与思路
- 作者提出半球神经网络，通过监督学习将高维解释变量非线性映射为潜在状态，并让最终层呈现神经菲利普斯曲线结构。
- 材料陈述的贡献
- 摘要称模型捕捉了二〇二一年通胀上升，并将其归于二〇二〇年末开始的正产出缺口；缺口来自替代紧张度指标的非线性组合。
- 阅读关注点
- 核对网络结构如何约束状态解释、训练与样本外评估安排，重点查看产出缺口的识别依据及与传统模型的比较。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；潜在状态识别、预测评估设置和归因条件未说明，预测解释不能直接确立因果关系。
原文摘要
Many problems plague empirical Phillips curves (PCs). Among them is the hurdle that the two key components, inflation expectations and the output gap, are both unobserved. Traditional remedies include proxying for the absentees or extracting them via assumptions-heavy filtering procedures. I propose an alternative route: a Hemisphere Neural Network (HNN) whose architecture yields a final layer where components can be interpreted as latent states within a Neural PC. First, HNN conducts the supervised estimation of nonlinearities that arise when translating a high-dimensional set of observed regressors into latent states. Second, forecasts are economically interpretable. Among other findings, the contribution of real activity to inflation appears understated in traditional PCs. In contrast, HNN captures the 2021 upswing in inflation and attributes it to a large positive output gap starting from late 2020. The unique path of HNN’s gap comes from dispensing with unemployment and GDP in favor of an amalgam of nonlinearly processed alternative tightness indicators.