使用可重复的机器学习和深度学习模型进行多国协调消费者价格指数水平的多维度同期预测

《Scientific Reports》：Multidimensional contemporaneous prediction of harmonized consumer price index levels across countries using reproducible machine learning and deep learning models

　　

摘要

对消费者价格指数（CPI）进行准确建模对于通货膨胀监测和政策分析具有重要意义。本研究建立了一个多维度的跨国CPI预测框架，并针对可重复性方面的顾虑，以完全重新估计并有据可查的基准模型取代了原有的主要神经网络架构排名。该可重复性基准使用所提供的涵盖1995年至2020年、545个观测值、39个国家共同特征面板数据，按时间顺序划分为337个训练观测值（截至2014年）、102个验证观测值（2015–2017年）和106个留出观测值（2018–2020年）。对于每个国家-年份组合，CNN、RNN和LSTM模型分别接收截至t年最多四个最近的已观测预测变量向量；CPI本身被排除在输入之外。缩放操作仅在训练期间进行拟合。最终架构、选定的超参数、可训练参数数量、软件版本、五个固定随机种子（101、202、303、404、505）、每种子的留出预测值、选定的检查点、学习曲线以及三个扩展窗口折预测均予以报告并存档。其中CNN包含2,433个可训练参数，RNN包含641个，LSTM包含7,073个。在五种子的运行中，CNN的均方根误差（RMSE）最低（0.1943，标准差 = 0.0094），且在全部五次运行中均按RMSE排名第一；LSTM的均绝对误差（MAE，0.1128）和平均绝对百分比误差（MAPE，0.0803）最低。在2018–2020年三个扩展窗口折中，CNN的RMSE均为最低。由于原始的时间特征变换器（TFT）、图神经网络（GNN）和混合模型的实现无法从存档材料中重建，它们从主要比较结论中被移除，而非被赋予重建后的架构。全特征CatBoost/SHAP分析以及滞后前瞻性基准分支仍作为独立分析保留，并维持其原始信息集限定条件。所得结论侧重于可重复的性能表现、各指标的权衡取舍以及模型排名的稳定性，而非缺乏充分依据的架构优越性。任何仅为追溯性保留的遗留TFT、GNN或混合模型点估计，均明确作为存档的探索性结果处理，不用于可重复性声明、模型排名、推断比较或实质性结论。时间顺序划分在每一项依赖于样本的拟合操作之前执行，并且标准缩放器对象、目标归一化参数、划分成员文件以及序列构建审计记录均为主划分及每个扩展窗口折所保存。在此验证性主要基准中，未使用任何依赖于样本的变量筛选、主成分分析、图构建、小波变换或插补；需要不可获得的预处理对象的历史分析不纳入验证性结论。由于当前存档中无法获取历史396个观测值全特征分支的确切行级纳入键和完整变量矩阵，该分支仅保留为存档的探索性/描述性证据，并排除在主要验证性结论之外；对其SHAP、消融、扩展教育或子群结果的任何解释仅限于该完整病例样本中可观测的国家-年份。依赖于数据的重采样进一步缩小了推断范围：在与其报告排名相关联的损失函数下，国家分块和双向交叉聚类自助法区间无法将各重建的神经网络架构区分开来，而在两种重采样方案下，CNN与CatBoost的平方损失差值均保持在零以下。核心实证主张仅限于完全可重复的545个观测值基准：最终分析数据集、可执行估计代码、划分特定的已拟合预处理对象、固定随机种子、观测级别预测值、学习曲线、扩展窗口折预测以及依赖于数据的比较输入均作为单一复现包提供。对于无法获得完整行级设计矩阵或实现定义对象的分析，不纳入验证性结论。