Forecasting inflation using disaggregates and machine learning
利用细分数据与机器学习预测通胀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：摘要明确研究巴西通胀的多期限预测，并比较传统时间序列与机器学习方法，因此直接对应预测与即时预测及时间序列方向。
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…
关注这篇论文的作者
利用细分数据与机器学习预测通胀
- 研究问题
- 先预测通胀细分项再汇总的自下而上方法，能否改善整体通胀预测，其表现如何随细分层级、预测期限和波动时期变化？
- 方法与思路
- 作者以巴西为应用，比较不同细分层级下的传统时间序列、线性与非线性机器学习，并将细分预测汇总后与直接预测及调查预期比较。
- 材料陈述的贡献
- 摘要称机器学习总体预测精度优于传统模型，细分预测尤其突出；疫情开始后，同时使用总量和细分数据的随机森林在较长期限表现较好。
- 阅读关注点
- 应核对样本外划分、实时数据可得性、细分预测汇总方式、调参与基准设定，以及各期限和波动时期的误差差异是否稳定。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未提供样本范围、误差数值或显著性检验，不能把巴西案例推广至其他经济体。
原文摘要
This paper examines the effectiveness of several forecasting methods for predicting inflation, focusing on aggregating disaggregated forecasts - also known in the literature as the bottom-up approach. Taking the Brazilian case as an application, we consider different disaggregation levels for inflation and employ a range of traditional time series techniques as well as linear and nonlinear machine learning (ML) models to deal with a larger number of predictors. For many forecast horizons, the aggregation of disaggregated forecasts performs just as well survey-based expectations and models that generate forecasts using the aggregate directly. Overall, ML methods outperform traditional time series models in predictive accuracy, with outstanding performance in forecasting disaggregates. Our results reinforce the benefits of using models in a data-rich environment for inflation forecasting, including aggregating disaggregated forecasts from ML techniques, mainly during volatile periods. Starting from the COVID-19 pandemic, the random forest model based on both aggregate and disaggregated inflation achieves remarkable predictive performance at intermediate and longer horizons.