論文の概要: Non-linear Phillips Curve for India: Evidence from Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2504.05350v1
• Date: Sun, 06 Apr 2025 16:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:30:47.334315
• Title: Non-linear Phillips Curve for India: Evidence from Explainable Machine Learning
• Title（参考訳）: インドの非線形フィリップス曲線:説明可能な機械学習からの証拠
• Authors: Shovon Sengupta, Bhanu Pratap, Amit Pawar,
• Abstract要約: 私たちは、インドにおける見出しインフレーションの予測と説明に機械学習手法を使用します。 ヘッドラインインフレはインフレ予想によって引き起こされ、その後過去のインフレとアウトプットギャップが続き、供給ショックは降雨以外は限界的な影響しか与えない。 これらの結果は、予測精度を改善し、インフレーションデータの複雑な非線形ダイナミクスを明らかにする機械学習モデルの能力を強調し、政策立案者にとって貴重な洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The conventional linear Phillips curve model, while widely used in policymaking, often struggles to deliver accurate forecasts in the presence of structural breaks and inherent nonlinearities. This paper addresses these limitations by leveraging machine learning methods within a New Keynesian Phillips Curve framework to forecast and explain headline inflation in India, a major emerging economy. Our analysis demonstrates that machine learning-based approaches significantly outperform standard linear models in forecasting accuracy. Moreover, by employing explainable machine learning techniques, we reveal that the Phillips curve relationship in India is highly nonlinear, characterized by thresholds and interaction effects among key variables. Headline inflation is primarily driven by inflation expectations, followed by past inflation and the output gap, while supply shocks, except rainfall, exert only a marginal influence. These findings highlight the ability of machine learning models to improve forecast accuracy and uncover complex, nonlinear dynamics in inflation data, offering valuable insights for policymakers.
• Abstract（参考訳）: 従来の線形フィリップス曲線モデルは、政策作成に広く用いられているが、しばしば構造的破れや固有の非線形性の存在下で正確な予測を行うのに苦労する。 本稿では、ニューケインシアン・フィリップス曲線フレームワーク内の機械学習手法を活用して、インドにおけるヘッドラインインフレーションの予測と説明を行う。 解析により,機械学習に基づくアプローチは,予測精度において,標準線形モデルよりも大幅に優れていることが示された。 さらに、説明可能な機械学習技術を用いて、インドにおけるフィリップス曲線の関係は、キー変数間のしきい値と相互作用効果によって特徴づけられる非常に非線形であることが明らかにした。 ヘッドラインインフレは、主にインフレ予想によって引き起こされ、続いて過去のインフレとアウトプットギャップが続き、雨を除く供給ショックは、限界的な影響しか与えない。 これらの結果は、予測精度を改善し、インフレーションデータの複雑な非線形ダイナミクスを明らかにする機械学習モデルの能力を強調し、政策立案者にとって貴重な洞察を提供する。

関連論文リスト

• Machine Learning for Economic Forecasting: An Application to China's GDP Growth [2.899333881379661]
  本稿は、中国における四半期ごとのGDP成長を予測するために、さまざまな機械学習モデルを用いている。 これらのモデルのパフォーマンスの違いに寄与する要因を分析します。
  論文  参考訳（メタデータ） (2024-07-04T03:04:55Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Dynamic Term Structure Models with Nonlinearities using Gaussian Processes [0.0]
  本稿では,ガウス型DTSMの一般化されたモデリング構成を提案する。 我々は,モデル非線形性に先立ってガウス過程を導入する,独自の連続モンテカルロ推定および予測スキームを構築した。 実際の経済活動とは異なり、コアインフレーションの場合、線形モデルと比較すると、非線形モデルの適用は、考慮された成熟度全体にわたる経済的価値の統計的に有意な上昇をもたらすことが分かる。
  論文  参考訳（メタデータ） (2023-05-18T14:24:17Z)
• Inflation forecasting with attention based transformer neural networks [1.6822770693792823]
  本稿では,変圧器の深部ニューラルネットワークアーキテクチャが,異なるインフレ率を予測できる可能性について検討する。 適応型変圧器は平均して16実験中6実験でベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-03-13T13:36:16Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Macroeconomic Predictions using Payments Data and Machine Learning [0.0]
  本研究の目的は,非伝統的かつタイムリーなデータによって政策立案者がほぼリアルタイムで重要なマクロ経済指標を正確に推定する洗練されたモデルを提供できることを示すことである。 我々は、機械学習モデルにおける過度な適合と解釈可能性の課題を軽減し、ポリシー使用の有効性を改善するための、一連の計量的ツールを提供する。 支払いデータ、非線形手法、クロスバリデーション(クロスバリデーション)アプローチを備えた当社のモデルは、新型コロナウイルス(COVID-19)の期間中に上昇するマクロ経済の予測精度を最大40%向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-02T11:12:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• 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)
• How is Machine Learning Useful for Macroeconomic Forecasting? [0.0]
  標準的なマクロ計量法よりもMLゲインを駆動する基礎的特徴の有用性について検討する。 我々は, いわゆる4つの特徴(非線形性, 正規化, クロスバリデーション, 代替損失関数)を区別し, データリッチ環境とデータ貧弱環境の両方でそれらの挙動を研究する。 このことは機械学習が不確実性や金銭的摩擦の文脈で発生する重要な非線形性を主に捉え、マクロ経済予測に有用であることを示唆している。
  論文  参考訳（メタデータ） (2020-08-28T04:23:52Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• On the Benefits of Invariance in Neural Networks [56.362579457990094]
  データ拡張によるトレーニングは、リスクとその勾配をよりよく見積もることを示し、データ拡張でトレーニングされたモデルに対して、PAC-Bayes一般化を提供する。 また,データ拡張と比べ,平均化は凸損失を伴う場合の一般化誤差を低減し,PAC-Bayes境界を狭めることを示した。
  論文  参考訳（メタデータ） (2020-05-01T02:08:58Z)

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。