論文の概要: A Neural Phillips Curve and a Deep Output Gap
- arxiv url: http://arxiv.org/abs/2202.04146v1
- Date: Tue, 8 Feb 2022 21:10:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 15:47:33.037170
- Title: A Neural Phillips Curve and a Deep Output Gap
- Title(参考訳): 神経フィリップス曲線と深い出力ギャップ
- Authors: Philippe Goulet Coulombe
- Abstract要約: 本稿では,コンポーネントを潜伏状態と解釈可能な最終層を特徴とするニューラル半球ネットワーク(HNN)を提案する。
まず、HNNは、高次元の回帰器を潜在状態に変換する際に生じる非線形性の教師付き推定を行う。
また、HNNは2021年のインフレ上昇を先取りし、予想コンポーネントの急激かつ大々的に解体し、続いて2020年後半から大幅にプラスの差が続くと評価している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many problems plague the estimation of Phillips curves. Among them is the
hurdle that the two key components, inflation expectations and the output gap,
are both unobserved. Traditional remedies include creating reasonable proxies
for the notable absentees or extracting them via some form of assumptions-heavy
filtering procedure. I propose an alternative route: a Hemisphere Neural
Network (HNN) whose peculiar architecture yields a final layer where components
can be interpreted as latent states within a Neural Phillips Curve. There are
benefits. First, HNN conducts the supervised estimation of nonlinearities that
arise when translating a high-dimensional set of observed regressors into
latent states. Second, computations are fast. Third, forecasts are economically
interpretable. Fourth, inflation volatility can also be predicted by merely
adding a hemisphere to the model. Among other findings, the contribution of
real activity to inflation appears severely underestimated in traditional
econometric specifications. Also, HNN captures out-of-sample the 2021 upswing
in inflation and attributes it first to an abrupt and sizable disanchoring of
the expectations component, followed by a wildly positive gap starting from
late 2020. HNN's gap unique path comes from dispensing with unemployment and
GDP in favor of an amalgam of nonlinearly processed alternative tightness
indicators -- some of which are skyrocketing as of early 2022.
- Abstract(参考訳): 多くの問題はフィリップス曲線の推定を悩ませている。
そのうちの1つは、インフレ期待とアウトプットギャップという2つの重要な要素が共に観察できないというハードルである。
伝統的な治療には、著名な欠席者のための合理的なプロキシを作成したり、仮定重みのフィルタリング手順を通じてそれらを抽出することが含まれる。
特異なアーキテクチャを持つ半球型ニューラルネットワーク(hnn)は,コンポーネントをニューラルネットワークのフィリップス曲線内の潜在状態として解釈可能な最終層を生成する。
利点があります。
まず、HNNは高次元の回帰器を潜伏状態に変換する際に生じる非線形性の教師付き推定を行う。
第二に、計算は高速である。
第三に、予測は経済的に解釈可能である。
第4に、インフレーションのボラティリティはモデルに半球を追加するだけで予測できる。
インフレーションに対する実際の活動の寄与は、伝統的な計量的仕様では著しく過小評価されている。
また、HNNは2021年のインフレ上昇を先取りし、予想コンポーネントの急激かつ規模が縮小し、さらに2020年後半から大幅にプラスの差が続くと評価している。
HNNの独自の道のりは、失業率とGDPを排除し、非線形に処理された代替のタイツネス指標のアマルガムを優先することにある。
関連論文リスト
- nbi: the Astronomer's Package for Neural Posterior Estimation [0.0]
我々は,新たなフレームワークとオープンソースソフトウェア nbi (Neural Bayesian Inference) を導入し,アモータライズとシーケンシャルNPEの両方をサポートする。
第一に、nbiはライトカーブやスペクトルといったシーケンシャルなデータに有効性を持たせるネットワークを内蔵しているため、ユーザ側でカスタマイズする必要がなくなる。
第2に,NPEに基づく後部推論を重要サンプリングのための提案分布としてのみ使用することにより,正確な後部推論を実現するアルゴリズムSNPE-ISを導入する。
論文 参考訳(メタデータ) (2023-12-06T19:00:00Z) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural
Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳(メタデータ) (2023-11-27T21:37:50Z) - A U-turn on Double Descent: Rethinking Parameter Counting in Statistical
Learning [68.76846801719095]
二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。
これは二重降下と統計的直観の間の緊張を解消する。
論文 参考訳(メタデータ) (2023-10-29T12:05:39Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳(メタデータ) (2023-10-06T17:57:44Z) - Bayesian Physics Informed Neural Networks for Data Assimilation and
Spatio-Temporal Modelling of Wildfires [11.00425904688764]
我々は、レベルセット関数のゼロレベルセットを通してファイアフロントをモデル化する偏微分方程式であるレベルセット方程式を、PINNを用いて解く。
負荷変数が極端に変化した場合、一般的なコスト関数は、モデル化されたファイアフロントにおける時間的連続性を維持できないことを示す。
我々は, PINN内のデータ同化を行う手法を開発し, モデル化されたPIN予測を火災前兆の観測に向ける。
論文 参考訳(メタデータ) (2022-12-02T05:00:41Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-20T18:57:18Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T19:08:53Z) - Normalization effects on shallow neural networks and related asymptotic
expansions [20.48472873675696]
特に、ニューラルネットワークの正規化に繋がる異なるスケーリングスキームが、ネットワークの統計的出力に与える影響について検討する。
我々は、隠れたユニットの数が無限に増加するにつれて、スケーリングパラメータに関して、ニューラルネットワークの統計的出力をポイントワイズに拡張する。
我々は,ニューラルネットワークの統計的出力のばらつきが,平均場正規化に近づくにつれて,$N$で先行する傾向を示す。
論文 参考訳(メタデータ) (2020-11-20T16:33:28Z) - Empirical Strategy for Stretching Probability Distribution in
Neural-network-based Regression [5.35308390309106]
ニューラルネットワーク下での回帰解析では、予測性能は層間の適切な重み決定に依存する。
両分布の重み付け面積を増大させる新しい損失関数として重み付き経験的ストレッチ(WES)を提案する。
極端な領域に対するRMSEの改良結果は、非線形複雑系における異常事象の予測に利用されることが期待されている。
論文 参考訳(メタデータ) (2020-09-08T06:08:14Z) - Network Moments: Extensions and Sparse-Smooth Attacks [59.24080620535988]
ガウス入力を受ける小片方向線形(PL)ネットワーク(Affine,ReLU,Affine)の第1モーメントと第2モーメントの正確な解析式を導出する。
本研究では,新しい分散式を効率的に近似し,より厳密な分散推定を行うことを示す。
論文 参考訳(メタデータ) (2020-06-21T11:36:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。