Nowcasting R&D Expenditures: A Machine Learning Approach
研发支出的即时预测：机器学习方法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：摘要明确讨论宏观低频研发支出的混频即时预测和高频插值。
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
研发支出的即时预测：机器学习方法
- 研究问题
- 面对年度研发支出调查低频且发布滞后，如何结合混频高维指标进行即时预测，并进一步构造尚未观测到的月度研发支出估计？
- 方法与思路
- 作者先用神经网络监督学习预测已观测低频支出，再利用模型导出的弹性插值高频支出；预测变量主要包含互联网搜索量，并与传统分解方法比较。
- 材料陈述的贡献
- 摘要称，搜索量数据改善样本外预测，两阶段方法生成月度研发支出估计；作者还以其与月度研发就业数据的较强相关性作为验证证据。
- 阅读关注点
- 应核对发布滞后与混频数据如何进入训练、弹性的定义和插值约束，并检查样本外划分、对照方法以及就业相关性验证的解释范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未报告预测误差数值，月度支出仍是模型估计，与就业相关不能确认其真实精度。
原文摘要
Macroeconomic data are crucial for monitoring countries' performance and driving policy. However, traditional data acquisition processes are slow, subject to delays, and performed at a low frequency. We address this 'ragged-edge' problem with a two-step framework. The first step is a supervised learning model predicting observed low-frequency figures. We propose a neural-network-based nowcasting model that exploits mixed-frequency, high-dimensional data. The second step uses the elasticities derived from the previous step to interpolate unobserved high-frequency figures. We apply our method to nowcast countries' yearly research and development (R&D) expenditure series. These series are collected through infrequent surveys, making them ideal candidates for this task. We exploit a range of predictors, chiefly Internet search volume data, and document the relevance of these data in improving out-of-sample predictions. Furthermore, we leverage the high frequency of our data to derive monthly estimates of R&D expenditures, which are currently unobserved. We compare our results with those obtained from the classical regression-based and the sparse temporal disaggregation methods. Finally, we validate our results by reporting a strong correlation with monthly R&D employment data.