論文の概要: Methodological Insights into Structural Causal Modelling and Uncertainty-Aware Forecasting for Economic Indicators

• arxiv url: http://arxiv.org/abs/2509.07036v1
• Date: Mon, 08 Sep 2025 04:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.043595
• Title: Methodological Insights into Structural Causal Modelling and Uncertainty-Aware Forecasting for Economic Indicators
• Title（参考訳）: 経済指標に対する構造因果モデリングと不確実性を考慮した予測に関する方法論的考察
• Authors: Federico Cerutti,
• Abstract要約: 我々は、GDP、経済成長、インフレ、失業の4つの主要なマクロ経済指標に焦点を当てている。 以上の結果から、経済成長とGDPとの強い一方向因果関係が明らかとなった。 我々は、失業に関するゼロショット予測を行うために、時系列のために訓練された大きな言語モデルを使用する。
• 参考スコア（独自算出の注目度）: 4.9930207509018425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a methodological approach to financial time series analysis by combining causal discovery and uncertainty-aware forecasting. As a case study, we focus on four key U.S. macroeconomic indicators -- GDP, economic growth, inflation, and unemployment -- and we apply the LPCMCI framework with Gaussian Process Distance Correlation (GPDC) to uncover dynamic causal relationships in quarterly data from 1970 to 2021. Our results reveal a robust unidirectional causal link from economic growth to GDP and highlight the limited connectivity of inflation, suggesting the influence of latent factors. Unemployment exhibits strong autoregressive dependence, motivating its use as a case study for probabilistic forecasting. Leveraging the Chronos framework, a large language model trained for time series, we perform zero-shot predictions on unemployment. This approach delivers accurate forecasts one and two quarters ahead, without requiring task-specific training. Crucially, the model's uncertainty-aware predictions yield 90\% confidence intervals, enabling effective anomaly detection through statistically principled deviation analysis. This study demonstrates the value of combining causal structure learning with probabilistic language models to inform economic policy and enhance forecasting robustness.
• Abstract（参考訳）: 本稿では、因果発見と不確実性を考慮した予測を組み合わせることで、金融時系列分析への方法論的アプローチを提案する。 ケーススタディとして、我々は、GDP、経済成長、インフレ、失業の4つの主要なマクロ経済指標に焦点を当て、1970年から2021年までの四半期データにおける動的因果関係を明らかにするために、ガウスプロセス距離相関(GPDC)を用いたLPCMCIフレームワークを適用します。 以上の結果から、経済成長からGDPへの強い一方向因果関係が明らかとなり、インフレの限られた接続性を強調し、潜在要因の影響を示唆している。 失業は強い自己回帰依存を示し、確率的予測のケーススタディとしての利用を動機付けている。 時系列のためにトレーニングされた大規模な言語モデルであるChronosフレームワークを活用することで、失業率のゼロショット予測を実行します。 このアプローチは、タスク固有のトレーニングを必要とせずに、1/2の正確な予測を先延ばしにします。 重要なことに、モデルの不確実性を考慮した予測は90%の信頼区間をもたらし、統計的に原理化された偏差解析による効果的な異常検出を可能にする。 本研究では,因果構造学習と確率論的言語モデルを組み合わせることで,経済政策を通知し,ロバスト性を予測することの価値を実証する。

関連論文リスト

• Advancing GDP Forecasting: The Potential of Machine Learning Techniques in Economic Predictions [0.0]
  本稿では,GDP,特にLSTMネットワークの予測におけるリカレントニューラルネットワークの有効性について検討する。 我々は1995年から2023年までの四半期ルーマニアのGDPデータセットを使用し、LSTMネットワークを構築し、シリーズの次の4つの値に予測する。 機械学習モデルは予測精度と柔軟性の点で従来の計量モデルより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-02-27T06:28:13Z)
• Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP [22.58246330019538]
  ニューラル制御微分方程式 (NCDE) と動的因子モデル (DFM) を統合する新しい GDP nowcasting framework である NCDENow を紹介する。 我々は,大韓民国とイギリスにおける2つの実世界のGDPデータセットに基づく6つのベースラインに対してNCDENowを評価した。
  論文  参考訳（メタデータ） (2024-09-13T11:33:57Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• 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)
• Aggregate Learning for Mixed Frequency Data [0.0]
  本研究では,小規模地域の経済指標をリアルタイムに予測する混合時間集合学習モデルを提案する。 提案モデルでは, 労働市場状態の地域的不均一性を予測し, 急速に変化する経済状況を予測する。 このモデルは様々なタスク、特に経済分析に適用できる。
  論文  参考訳（メタデータ） (2021-05-20T08:12:43Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。