論文の概要: Opening the Black Box: Nowcasting Singapore's GDP Growth and its Explainability

• arxiv url: http://arxiv.org/abs/2512.02092v1
• Date: Mon, 01 Dec 2025 18:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.56499
• Title: Opening the Black Box: Nowcasting Singapore's GDP Growth and its Explainability
• Title（参考訳）: ブラックボックスのオープン:シンガポールのGDP成長と説明可能性
• Authors: Luca Attolico,
• Abstract要約: シンガポールの四半期GDP成長のためのリアルタイム・ナウキャスティング・フレームワークを開発している。 この分析は、ペナル化レグレッション、次元性推論方法、アンサンブル学習アルゴリズム、ニューラルアーキテクチャを網羅している。 モデル固有およびXAIベースの説明可能性ツールを採用している。
• 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: Timely assessment of current conditions is essential especially for small, open economies such as Singapore, where external shocks transmit rapidly to domestic activity. We develop a real-time nowcasting framework for quarterly GDP growth using a high-dimensional panel of approximately 70 indicators, encompassing economic and financial indicators over 1990Q1-2023Q2. The analysis covers penalized regressions, dimensionality-reduction methods, ensemble learning algorithms, and neural architectures, benchmarked against a Random Walk, an AR(3), and a Dynamic Factor Model. The pipeline preserves temporal ordering through an expanding-window walk-forward design with Bayesian hyperparameter optimization, and uses moving block-bootstrap procedures both to construct prediction intervals and to obtain confidence bands for feature-importance measures. It adopts model-specific and XAI-based explainability tools. A Model Confidence Set procedure identifies statistically superior learners, which are then combined through simple, weighted, and exponentially weighted schemes; the resulting time-varying weights provide an interpretable representation of model contributions. Predictive ability is assessed via Giacomini-White tests. Empirical results show that penalized regressions, dimensionality-reduction models, and GRU networks consistently outperform all benchmarks, with RMSFE reductions of roughly 40-60%; aggregation delivers further gains. Feature-attribution methods highlight industrial production, external trade, and labor-market indicators as dominant drivers of Singapore's short-run growth dynamics.
• Abstract（参考訳）: 現在の状況のタイムリーな評価は、特にシンガポールのような小規模でオープンな経済にとって欠かせないものであり、外的ショックは国内活動に急速に伝達される。 我々は,1990Q1-2023Q2における経済・金融指標を含む,約70指標の高次元パネルを用いて,四半期GDP成長のためのリアルタイム・ナウキャスティング・フレームワークを開発した。 この分析は、ランダムウォーク(Random Walk)、AR(3)、ダイナミックファクターモデル(Dynamic Factor Model)に対してベンチマークされた、ペナル化レグレッション、次元縮小法、アンサンブル学習アルゴリズム、ニューラルアーキテクチャをカバーしている。 このパイプラインは、ベイジアンハイパーパラメータ最適化による拡張ウィンドウウォーキングフォワード設計による時間的順序付けを保ち、移動ブロックブートストラップ手順を用いて予測間隔を構築し、特徴重要度測定のための信頼バンドを得る。 モデル固有およびXAIベースの説明可能性ツールを採用している。 Model Confidence Set は統計的に優れた学習者を特定し、それを単純で重み付けされ指数関数的に重み付けされたスキームで結合する。 予測能力は、Giacomini-Whiteテストによって評価される。 実験の結果, ペナル化回帰, 次元縮小モデル, GRU ネットワークは, RMSFE の約 40-60% の削減により, 常に全てのベンチマークを上回っていることがわかった。 工業生産、貿易、労働市場の指標をシンガポールの短期的な成長の動力源として特徴付けている。

関連論文リスト

• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Unemployment Dynamics Forecasting with Machine Learning Regression Models [1.9761774213809031]
  本稿では、月次失業率データに回帰と機械学習の手法を適用し、タイムリーな予測を行う方法について検討した。 私は、線形回帰、SGDRegressor、ランダムフォレスト、XGBoost、CatBoost、サポートベクター回帰、LSTMネットワークの7つのモデルを比較した。 我々の研究は、現代の機械学習技術がリアルタイムの失業予測を強化し、経済学者や政策立案者が労働市場の動向についてより深い洞察を提供する方法を示している。
  論文  参考訳（メタデータ） (2025-05-03T21:55:28Z)
• Fast Autoregressive Models for Continuous Latent Generation [49.079819389916764]
  自己回帰モデルは、特にNLPにおいて、シーケンシャルなデータ生成において顕著な成功を収めている。 最近の研究で、マスク付き自己回帰モデル(MAR)は拡散ヘッドを用いて連続空間内のトーケン分布をモデル化することによって量子化をバイパスする。 本稿では,MARの拡散ヘッドを軽量ショートカットヘッドに置き換える新しいフレームワークであるFast AutoRegressive Model (FAR)を提案する。
  論文  参考訳（メタデータ） (2025-04-24T13:57:08Z)
• Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder [4.769637827387851]
  本稿では、Spyke-and-Slab Lassoを前に採用したGrouped Sparseオートエンコーダを紹介する。 時間変化パラメータをVARコンポーネントに組み込んで、進化する経済力学をよりよく捉えます。 我々の米国経済への実証的な応用は、グループスパースオートエンコーダがより解釈可能な要素を生み出すことを示す。
  論文  参考訳（メタデータ） (2025-03-06T12:37:55Z)
• MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
  本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。 具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。 実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-08-15T02:29:00Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Predicting Inflation with Recurrent Neural Networks [0.0]
  本稿では,リカレントニューラルネットワークLSTMを用いてインフレーションの予測を行う。 米国のデータによるエクササイズの結果は、推定されたニューラルネットが、一般的なベンチマークに対して競合するが、傑出したものではないことを示している。
  論文  参考訳（メタデータ） (2021-04-08T13:19:26Z)

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。