Predictability of Output Growth and Inflation: A Multi-Horizon Survey Approach
产出增长与通胀的可预测性：多期限调查方法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。
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：摘要围绕美国 GDP 增长与通胀的多期限调查预测、持续性及自回归表示展开，直接对应宏观预测与时间序列方向。
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
产出增长与通胀的可预测性：多期限调查方法
- 研究问题
- 如何利用不同期限的调查预测，区分宏观变量自身的可预测性与观测中的测量误差，并比较 GDP 增长和通胀的动态特征？
- 方法与思路
- 作者建立不可观测成分模型，假设预测者随新信息最优更新状态信念，用美国一至二十四个月期限的 GDP 增长与通胀调查预测估计。
- 材料陈述的贡献
- 摘要称模型较好匹配不同期限预测误差的联合表现；GDP 增长的实时测量误差问题更严重，通胀更持久且可预测期限更长。
- 阅读关注点
- 应核对最优信念更新假设、状态与测量误差的识别、不同预测期限误差的联合限制，以及低阶自回归近似的实证依据。
- 阅读边界
- 摘要未说明样本时期、估计细节与模型诊断；可预测性结论依赖所设信息更新机制，不能直接视为任意预测方法的表现。
原文摘要
We develop an unobserved-components approach to study surveys of forecasts containing multiple forecast horizons. Under the assumption that forecasters optimally update their beliefs about past, current, and future state variables as new information arrives, we use our model to extract information on the degree of predictability of the state variable and the importance of measurement errors in the observables. Empirical estimates of the model are obtained using survey forecasts of annual GDP growth and inflation in the United States with forecast horizons ranging from 1 to 24 months, and the model is found to closely match the joint realization of forecast errors at different horizons. Our empirical results suggest that professional forecasters face severe measurement error problems for GDP growth in real time, while this is much less of a problem for inflation. Moreover, inflation exhibits greater persistence, and thus is predictable at longer horizons, than GDP growth and the persistent component of both variables is well approximated by a low-order autoregressive specification.