Application of SARIMA Model: Forecasting CPI and PPI Inflation Rates in the U.S.
Notice bibliographique
Résumé
This research seeks to improve the precision of future inflation rate forecasts through a comprehensive analysis of the time series data of the U.S. Consumer Price Index (CPI) and Producer Price Index (PPI). This holds significant reference value for the government when formulating economic policies, monetary policies, and fiscal decisions, especially when facing economic fluctuations or external shocks, as it can provide more accurate inflation expectations, thereby enabling the formulation of more forward-looking regulatory measures. The data for this research is sourced from the FRED database, which contains detailed historical CPI and PPI data. This research utilized the traditional SARIMA model for time series analysis and performed thorough data preprocessing and trend analysis to guarantee the stability and predictability of the data. The results indicate that the SARIMA model exhibits different effects in capturing the trend changes of CPI and PPI inflation rates: first, the SARIMA model demonstrates high accuracy in identifying and predicting the long-term trend of CPI; second, it shows stronger adaptability and accuracy in short-term predictions of PPI change rates. This indicates that different economic indicators respond differently to the model. In the future, it may be worth considering the introduction of other advanced forecasting models, such as machine learning algorithms and hybrid models, to further enhance the predictive capability regarding changes in the inflation rate, thereby providing policymakers with more precise data support.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».