Assessing and Comparing Fixed-Target Forecasts of Arctic Sea Ice: Glide Charts for Feature-Engineered Linear Regression and Machine Learning Models
北极海冰固定目标预测的评估与比较：滑行图、特征工程回归及机器学习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：摘要直接比较固定目标预测与预测期变化，分类依据是预测方法而非宏观经济应用。
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…
北极海冰固定目标预测的评估与比较：滑行图、特征工程回归及机器学习
- 研究问题
- 随着固定预测目标日期临近，北极海冰预测误差如何变化，特征工程机器学习能否在不同月份改善线性回归预测？
- 方法与思路
- 作者使用展示均方根预测误差序列的滑行图，比较特征工程线性回归、纯趋势基准及更复杂的特征工程机器学习模型。
- 材料陈述的贡献
- 摘要称不同月份存在不同的可预测性阈值，且机器学习在年度周期转折月份的一至三个月预测期内可明显改善线性基准。
- 阅读关注点
- 应核对固定目标预测的样本划分、特征构造是否使用当时可得信息，以及阈值、转折月份和预测改善的统计评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明数据范围、模型细节或误差数值，结论仅涉及所述海冰应用。
原文摘要
We use "glide charts" (plots of sequences of root mean squared forecast errors as the target date is approached) to evaluate and compare fixed-target forecasts of Arctic sea ice. We first use them to evaluate the simple feature-engineered linear regression (FELR) forecasts of Diebold and Goebel (2021), and to compare FELR forecasts to naive pure-trend benchmark forecasts. Then we introduce a much more sophisticated feature-engineered machine learning (FEML) model, and we use glide charts to evaluate FEML forecasts and compare them to a FELR benchmark. Our substantive results include the frequent appearance of predictability thresholds, which differ across months, meaning that accuracy initially fails to improve as the target date is approached but then increases progressively once a threshold lead time is crossed. Also, we find that FEML can improve appreciably over FELR when forecasting "turning point" months in the annual cycle at horizons of one to three months ahead.