预测石油消费：《世界能源统计评论》与机器学习的结合
计量经济学
2026-02-03 v1
摘要
本文研究少数主导国家是否能够解释区域石油需求的大部分动态变化并改善预测性能。我们关注OECD内部的主导驱动因素以及覆盖全球90%以上GDP的广义GVAR样本。我们的方法通过使用两种互补的变量选择方法——LASSO和单协变量多重检验（OCMT）过程——逐行估计高维浓度矩阵，从中识别主导驱动因素。通过按范数对浓度矩阵的列进行排序并应用基于连续范数比的准则，结合以经济动机驱动的限制条件以排除伪主导性，从而选择主导国家。美国成为全球主导驱动因素，而法国和日本分别作为代表欧洲和亚洲分量的稳健区域枢纽。将这些主导驱动因素作为所有国家的回归变量，在自回归基准和特定国家的LASSO模型上产生了统计显著的预测收益，特别是在全球波动性加剧的时期。所提出的框架具有灵活性，可应用于具有网络结构或空间依赖性的其他宏观经济和能源变量。
引用
@article{arxiv.2602.01963,
title = {Forecasting Oil Consumption: The Statistical Review of World Energy Meets Machine Learning},
author = {Jan Ditzen and Erkal Ersoy and Haoyang Li and Francesco Ravazzolo},
journal= {arXiv preprint arXiv:2602.01963},
year = {2026}
}