论文页面 - SAGA: 一种面向多水平概率预测的自适应时序生成架构与自适应时序共形预测

来源：https://huggingface.co/papers/2605.19014

摘要

一种基于Transformer的终身收入预测模型，与传统参数化方法相比，在预测准确性和可靠预测区间方面均有提升。

财政部和中央银行使用的微观模拟模型依赖于终身收入的参数化过程，这些过程仅能捕捉条件分布的一阶和二阶矩，而忽略了长期非线性结构。我们提出了SAGA，一种用于不规则表格面板序列的仅解码器Transformer（https://huggingface.co/papers?q=decoder-only%20transformer），并配以分割共形校准（https://huggingface.co/papers?q=split%20conformal%20calibration）封装器，能够提供具有有限样本边际覆盖保证的个体层面预测区间（https://huggingface.co/papers?q=prediction%20intervals）。该模型基于1990年至2022年的瑞典LISA纵向登记数据（涵盖2,143,817名个体和61,284,903人年）训练，可预测从1年到30年时间跨度内的年度劳动收入，并通过蒙特卡洛方法汇总为折现终身收入分布。与经典的Guvenen、Karahan、Ozkan和Song参数化过程以及表格基线和循环基线相比，SAGA在十年时间跨度上的连续排序概率评分（https://huggingface.co/papers?q=continuous%20ranked%20probability%20score）降低了31.9%，在二十年时间跨度上的平均绝对误差（https://huggingface.co/papers?q=mean%20absolute%20error）降低了37.7%。共形区间在边际上达到名义覆盖，偏差在0.4个百分点以内，在最差情况的人口子群体上也仅偏差2.4个百分点。重建的终身收入基尼系数（https://huggingface.co/papers?q=lifetime%20earnings%20Gini%20coefficient）为0.327，而部分观测真值为0.341，GKOS估计值为0.378。模型权重、校准表格和一个合成等效数据集已发布，用于在受保护的SCB MONA环境之外进行复现。

查看arXiv页面（https://arxiv.org/abs/2605.19014） 查看PDF（https://arxiv.org/pdf/2605.19014） GitHub（https://github.com/olaflaitinen/saga） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.19014）

在你的代理中获取此论文：

hf papers read 2605.19014

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接到此论文

请在模型README.md中引用arxiv.org/abs/2605.19014，以在此页面建立链接。

引用此论文的数据集 0

没有数据集链接到此论文

请在数据集README.md中引用arxiv.org/abs/2605.19014，以在此页面建立链接。

引用此论文的Spaces 0

没有Space链接到此论文

请在Space README.md中引用arxiv.org/abs/2605.19014，以在此页面建立链接。

包含此论文的收藏 0

没有收藏包含此论文

请将此论文添加到一个收藏（https://huggingface.co/new-collection）中，以在此页面建立链接。