Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods
数据丰富环境下的通胀预测：机器学习方法的益处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：题名和摘要明确以美国通胀预测为研究对象，比较机器学习与基准模型的预测准确性，直接对应宏观预测方向。
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…
数据丰富环境下的通胀预测：机器学习方法的益处
- 研究问题
- 在美国通胀预测中，大量协变量和机器学习方法能否改善预测表现，变量选择与宏观变量之间的非线性关系各起什么作用？
- 方法与思路
- 作者利用新数据集和大量协变量比较机器学习模型与基准模型，重点讨论随机森林，并从变量选择及潜在非线性关系解释其预测表现。
- 材料陈述的贡献
- 摘要称，含大量协变量的机器学习模型比所用基准更准确，随机森林在文中比较中表现最佳；作者将其优势归于变量选择及潜在非线性。
- 阅读关注点
- 重点核对样本外评估设计、预测期限、基准和调参方式，以及作者如何区分变量选择与非线性关系对随机森林预测表现的贡献。
- 阅读边界
- 摘要未说明样本期间、预测期限、基准模型、调参方式和误差差异的统计检验；文中的相对表现不能直接推广到其他样本或预测任务。
原文摘要
Inflation forecasting is an important but difficult task. Here, we explore advances in machine learning (ML) methods and the availability of new datasets to forecast U.S. inflation. Despite the skepticism in the previous literature, we show that ML models with a large number of covariates are systematically more accurate than the benchmarks. The ML method that deserves more attention is the random forest model, which dominates all other models. Its good performance is due not only to its specific method of variable selection but also the potential nonlinearities between past key macroeconomic variables and inflation. Supplementary materials for this article are available online.