2023-10-21-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）_36页_522kb

• 摘要
  机器学习填补技术在巴布亚新几内亚鲜货价格调查中的应用，探讨了如何通过机器学习方法对高频价格数据进行填补，以跟踪通胀动态。巴布亚新几内亚等数据稀缺地区面临数据收集难、价格趋势不明确等问题，传统方法难以支持实时监测和辅助政策制定。

• 研究目标与背景

  • 旨在探索机器学习技术在数据稀缺环境下的适用性，聚焦巴布亚新几内亚（PNG）鲜货价格监测。
  • 数据特点：数据不足、市场间价格相关性低、月内价格波动大。
  • 方法关键：使用矩阵补全算法，结合链式方程，填补价格数据并计算通胀指数。

• 方法与模型

  • 链式方程框架：利用多个机器学习模型（如弹性网络、Cubist）逐层级更新填补价格缺失，保障预测连贯性。
  • 时间序列与空间插值：结合时空插值与滞后误差建模，提升数据填补精度。
  • 验证：通过交叉验证（CV）评估预测准确性，引入追踪得分（0-10分）检视每类商品的可信度。

• 应用场景

  • PNG 案例：使用 IFPRI 月度价格数据，填补 25-27 种鲜货价格，覆盖 8 地市场。结果显示通胀率约每年 6-6.5%，填补数据准确率 71%-77%。
  • 系统适用性：高频填补技术适用于数据不足、价格波动大环境，可作为官方统计的有效补充。
  • 推演与应用：技术扩展至交通费、汇率预测等，需进一步验证外在数据的适用性。

• 创新与推广

  • 新方法为数据稀缺区域提供：低成本、高时效数据填补，填补研究尚属于先锋尝试。
  • 在方法改进（如弹性网络+ boosting）、扩大覆盖范围、结合手机调查等方向有巨大潜力。

• 结论与建议
  机器学习填补方法在 PNG 成功应用，实现实时追踪鲜货价格，填补结果与直接采集相比，精度相近但成本更低。方法可扩展至太平洋岛国，为提升脆弱经济体监测能力打开新道路。

此方法为数据稀缺区域提供重要的替代手段，通过灵活整合机器学习与基础调查，提高了监测的及时性和经济性。应用于巴布亚新几内亚的成功案例，不仅验证了其可行性，也展示了在政策制定和应急管理中的潜在价值。