SAGA：用于多期望概率预测的序列自适应生成架构
摘要
政府和中央银行所使用的微观仿真模型依赖于捕获条件分布仅前两时刻矩的参数化过程，忽略了长程非线性结构。我们提出SAGA（Sequence-Adaptive Generative Architecture），一种用于不规则表格面板序列的解码器-only transformer，配合分层共轨校准包装器，可提供具有有限样本边际覆盖保证的个体水平预测区间。模型在1990年至2022年的瑞典LISA登记册上进行训练，包含2,143,817名个体和61,284,903个人年。模型在1至30年的预测期间预测年劳动收入，并通过蒙特卡罗方法将其聚合为现值贴现的终身收入分布。与标准的Guvenen、Karahan、Ozkan和Song参数化过程以及表格和循环基线相比，SAGA在10年预测期间将连续排序概率得分降低31.9%，在20年预测期间将平均绝对误差降低37.7%。共轨区间在边际上实现名义覆盖率，最差人口统计子群中误差仅为2.4个百分点。重构的终身收入Gini系数为0.327，与部分观察到的真实值0.341和GKOS估计值0.378相符。模型权重、校准表以及合成等效数据集已发布，以便在受保护的SCB MONA环境之外进行复制。
关键词
引用
@article{arxiv.2605.19014,
title = {SAGA: A Sequence-Adaptive Generative Architecture for Multi-Horizon Probabilistic Forecasting with Adaptive Temporal Conformal Prediction},
author = {Gustav Olaf Yunus Laitinen-Fredriksson Lundström-Imanov and Hafize Gonca Cömert},
journal= {arXiv preprint arXiv:2605.19014},
year = {2026}
}
备注
14 pages, 3 figures, 12 tables, 5 appendices, 45 references. Submitted to IEEE TPAMI. Source code at https://github.com/olaflaitinen/saga (archived: doi:10.5281/zenodo.20260366). Synthetic equivalent dataset: doi:10.5281/zenodo.20260287. Empirical work conducted on the Swedish LISA register via SCB MONA (project SCB-MONA-2026-147); ethical approval Swedish Ethical Review Authority 2026-04127-01