Dual Interpretation of Machine Learning Forecasts
机器学习预测的对偶解释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：摘要明确讨论宏观经济预测，并应用于通胀、GDP 增长和衰退概率预测。
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…
机器学习预测的对偶解释
- 研究问题
- 当宏观预测具有解释变量多、训练样本少的特点时，能否把单次预测解释为历史事件的加权组合，并据此诊断模型如何使用历史信息？
- 方法与思路
- 作者将样本外预测表示为训练样本中目标变量的线性组合，以事件间邻近程度解释权重，并介绍多类机器学习模型的权重提取方法。
- 材料陈述的贡献
- 摘要称，历史贡献序列提供更稀疏的预测解释，并引出集中度、空头位置和换手率等诊断指标；应用覆盖疫情后的通胀、增长及衰退预测。
- 阅读关注点
- 应核对各类模型中权重表示的成立条件、提取方式与解释唯一性，以及历史贡献图和诊断指标在宏观预测应用中的具体含义。
- 阅读边界
- 所用摘要来自 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出预测精度结果，历史类比权重也不能直接解释为因果贡献。
原文摘要
Machine learning predictions are typically interpreted as the sum of contributions of predictors. Yet, each out-of-sample prediction can also be expressed as a linear combination of in-sample values of the predicted variable, with weights corresponding to pairwise proximity scores between current and past economic events. While this dual route leads nowhere in some contexts (e.g., large cross-sectional datasets), it provides sparser interpretations in settings with many regressors and little training data-like macroeconomic forecasting. In this case, the sequence of contributions can be visualized as a time series, allowing analysts to explain predictions as quantifiable combinations of historical analogies. Moreover, the weights can be viewed as those of a data portfolio, inspiring new diagnostic measures such as forecast concentration, short position, and turnover. We show how weights can be retrieved seamlessly for (kernel) ridge regression, random forest, boosted trees, and neural networks. Then, we apply these tools to analyze post-pandemic forecasts of inflation, GDP growth, and recession probabilities. In all cases, the approach opens the black box from a new angle and demonstrates how machine learning models leverage history partly repeating itself.