Combining Disaggregate Forecasts or Combining Disaggregate Information to Forecast an Aggregate
预测总量：合成分项预测，还是整合分项信息？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：摘要比较分项信息、分项预测合成与总量模型，并以美国部门数据预测总量通胀为应用，直接对应宏观预测。
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…
关注这篇论文的作者
预测总量：合成分项预测，还是整合分项信息？
- 研究问题
- 预测总量时，应直接纳入分项变量、合成分项预测，还是使用单变量总量模型；这些选择如何受到模型误设与估计误差影响？
- 方法与思路
- 作者将分项变量直接纳入总量预测模型，与分项预测合成及单变量预测比较，分析系数变化、模型误设、估计不确定性和测量误差。
- 材料陈述的贡献
- 摘要称不同分项依赖结构下的模拟及美国通胀应用支持纳入分项信息；变量选择或降维可缓解误设与估计不确定性造成的误差差异。
- 阅读关注点
- 应核对预测起点的参数变化为何影响绝对而非相对精度，以及分项依赖结构、变量选择和降维如何改变预测误差。
- 阅读边界
- 摘要未说明模型形式、预测期限和损失指标；参数变动不影响相对精度及分项信息改善预测的结论，均须结合正文条件理解。
原文摘要
To forecast an aggregate, we propose adding disaggregate variables, instead of combining forecasts of those disaggregates or forecasting by a univariate aggregate model. New analytical results show the effects of changing coefficients, misspecification, estimation uncertainty, and mismeasurement error. Forecast-origin shifts in parameters affect absolute, but not relative, forecast accuracies; misspecification and estimation uncertainty induce forecast-error differences, which variable-selection procedures or dimension reductions can mitigate. In Monte Carlo simulations, different stochastic structures and interdependencies between disaggregates imply that including disaggregate information in the aggregate model improves forecast accuracy. Our theoretical predictions and simulations are corroborated when forecasting aggregate United States inflation pre and post 1984 using disaggregate sectoral data.