面向经济时间序列的可解释人工智能：方法与概念的综合综述与系统分类法

计算经济学对可解释人工智能（Explainable Artificial Intelligence, XAI）的需求日益增长，在该领域，机器学习预测器可以优于经典计量经济学模型，但仍难以审计并用于政策制定。本综述回顾并整理了关于经济时间序列 XAI 不断增长的文献，其中自相关、非平稳性、季节性、混合频率和制度转变会使标准解释技术不可靠或在经济学上不合理。我们提出了一种分类法，按以下维度对方法进行分类： 解释机制：基于传播的方法（例如 Integrated Gradients、Layer-wise Relevance Propagation）、扰动与博弈论归因（例如排列重要性、LIME、SHAP）以及基于函数的全局工具（例如 Accumulated Local Effects）； 时间序列兼容性，包括保持时间依赖性、随时间的稳定性以及对数据生成约束的尊重。我们综合了时间序列特定的适应方法，例如基于向量和基于窗口的公式（例如 Vector SHAP、WindowSHAP），它们能减少滞后碎片化和计算成本，同时提高可解释性。我们还通过干预归因（Causal Shapley values）和约束反事实推理将可解释性与因果推断和政策分析联系起来。最后，我们讨论了本质上可解释的架构（特别是基于注意力的 Transformer），并为现时预测、压力测试和制度监测等决策级应用提供指导，强调归因不确定性和解释动态作为结构变化指标的作用。