How Useful Is Bagging in Forecasting Economic Time Series? A Case Study of U.S. Consumer Price Inflation
装袋法对经济时间序列预测有多大帮助？美国消费价格通胀案例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：摘要直接研究美国通胀的经济时间序列预测，并比较预测均方误差和多种预测算法，因此对应宏观预测与时间序列。
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
装袋法对经济时间序列预测有多大帮助？美国消费价格通胀案例
- 研究问题
- 加入实际经济活动指标能否降低美国消费价格通胀的预测均方误差；针对这一任务设计的装袋预测，与其他组合和收缩方法相比如何？
- 方法与思路
- 作者提出三种适合通胀预测的装袋算法变体，实证比较其与等权组合、贝叶斯平均、岭回归及其他预测方法的表现。
- 材料陈述的贡献
- 摘要称，装袋法在该应用中优于若干组合方法，但与部分收缩和模型平均方法大致相当；预测误差下降并非装袋法独有。
- 阅读关注点
- 应核对三种算法的重采样设计、预测窗口和预测期、指标集合及调参规则，并检查各比较方法是否使用一致的信息集。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体误差降幅、样本窗口及比较不确定性未提供，不能推断刊本变化或普遍优势。
原文摘要
This article focuses on the widely studied question of whether the inclusion of indicators of real economic activity lowers the prediction mean squared error of forecasting models of U.S. consumer price inflation. We propose three variants of the bagging algorithm specifically designed for this type of forecasting problem and evaluate their empirical performance. Although bagging predictors in our application are clearly more accurate than equally weighted forecasts, median forecasts, ARM forecasts, AFTER forecasts, or Bayesian forecast averages based on one extra predictor at a time, they are generally about as accurate as the Bayesian shrinkage predictor, the ridge regression predictor, the iterated LASSO predictor, or the Bayesian model average predictor based on random subsets of extra predictors. Our results show that bagging can achieve large reductions in prediction mean-squared errors even in such challenging applications as inflation forecasting; however, bagging is not the only method capable of achieving such gains.