基于机器学习回归模型的失业动态预测

本文探讨了如何将一系列回归和机器学习技术应用于美国月度失业数据，以生成及时的预测。我比较了七种模型：线性回归、SGDRegressor、随机森林、XGBoost、CatBoost、支持向量回归和LSTM网络，每种模型均在历史数据跨度上进行训练，然后在后续的保留时间段上进行评估。输入特征包括宏观指标（GDP增长、CPI）、劳动力市场指标（职位空缺、初请失业金人数）、金融变量（利率、股票指数）和消费者信心。我通过交叉验证调整了模型超参数，并使用标准误差指标和预测失业方向正确性的能力来评估性能。总体而言，基于树的集成方法（尤其是CatBoost）提供的预测明显优于简单的线性方法，而LSTM在捕捉潜在时间模式方面比其他非线性方法更有效。SVR和SGDRegressor相比标准回归有适度提升，但其一致性不及集成和深度学习模型。可解释性工具——特征重要性排序和SHAP值——指出，职位空缺和消费者信心是所有方法中最具影响力的预测因子。通过在相同数据集上直接比较线性、集成和深度学习方法，我们的研究展示了现代机器学习技术如何增强实时失业预测，为经济学家和政策制定者提供更丰富的劳动力市场趋势洞察。在模型的比较评估中，我使用了一个包含2020年1月至2024年12月期间三十个不同特征的数据集。