世界银行-巴布亚新几内亚高频价格调查的机器学习推断（英）-2023.9-36页_523kb

1. 研究背景与问题

• 在巴布亚新几内亚（PNG）等数据匮乏地区，传统价格监测方法无法满足快速变化的经济环境需求。实证数据稀缺，且公布的实时价格滞后，导致难以及时应对粮食安全和贫困问题。
• 本研究旨在探索利用机器学习（ML）方法填补高频价格调查中的缺失数据，以实现对水果价格通胀的实时跟踪，尤其是在调查数据不完整（高月内价格波动、低跨市场价格相关性、弱价格趋势）的情况下。

2. 研究方法

• 使用基于多重填补的链式方程方法。每一价格项由其他价格项和时间序列协变量预测
• 主要方法包括：
  • 弹性网络（Elastic Net）模型：适用于线性关系。
  • 立方体回归（Cubist）模型：捕捉非线性关系，适用于空间时间序列。
• 数据从国际食品政策研究所（IFPRI）获取，涵盖2009-2022年间8个市场的79种食品价格观察值，部分时间为空白（覆盖率不足）。
• 进行交叉验证，量化预测精度（归一化均方误差），并使用Fischer Z变换计算时间变异指数，评估数据可靠性。

3. 主要发现与结果

• 成功填补27种食品的价格，覆盖8个市场，共78个月的观测数据，填补精度良好。
• 三项基于不同时间分析篮子显示：
  • 食品价格上涨：2019年显著激增，2020年迅速下跌，然后回归上涨趋势。
  • 精度比较：填补精度（解释变量的71-77%）优于直接测量方法（成本高、物流难），但略低于合作发展中国家（FCS）平均水平。
• 局部市场绩效差异清晰，强调指数关联性弱，区域价格趋势显著波动。

4. 覆盖范围与局限

• 可扩展至其他数据不足的国家，尤其是太平洋岛屿，填补高频数据和本地价格变动。
• 局限：两项市场间的低关联性，对数据需求高，实证数据量不足可能导致不可靠结果。

5. 前景建议

• 增加市场覆盖，以提高数据量。
• 整合移动调查填补：与手机家计调查合并，增加系统缺失数据的补充能力和经济实用性。
• 提高应用场景灵活性：高频数据采集（例如每周或日频数据）和快速适应策略提升响应时间。
• 探索非食品领域应用，如劳动力价格和渔业数据，以增强政策响应。

💎