E20
通胀预期形成的自适应学习模型：以疫情后通胀急升期（2021–2024）纽约联储调查微观数据的样本外拟合为判据
1 · 研究问题
常数增益自适应学习（constant-gain adaptive learning）模型对家庭通胀预期的刻画，在 2021–2024 美国通胀急升与回落期是否仍优于静态理性预期与朴素适应性预期基准（以对纽约联储 SCE 调查中位数预期的样本外 RMSE 为判据）？拟合出的学习增益参数在通胀急升前后是否发生可检测的跳变？
2 · 研究背景与空白
预期形成是行为宏观的核心战场。自适应学习（Evans & Honkapohja 2001 框架）假设主体像计量经济学家一样递归更新参数；Branch（Economic Journal 2004）用密歇根调查证明主体在理性/适应/朴素预测器间按表现切换；后续文献（Boston Fed WP 12-19；IMF WP 2023/19、2024/25）反复确认学习模型对调查预期的拟合优于理性预期，且约 40% 个体不能拒绝理性、20%+ 最像学习者。2021 年起的通胀急升提供了 40 年未有的强激励环境——文献（IMF 2024）已注意到预期分布拉宽。
空白在时间覆盖：Branch 类"预测器竞争 + 学习增益估计"的框架在完整的急升-回落周期（2021–2024/25）SCE 微观数据上的系统重估未见公开发表（IMF 2024 覆盖到疫情中段且未做预测器竞争结构估计；须在开题时再检索确认）。这是标准的"换样本（新时期）独立检验"：急升期是对学习模型最严苛的压力测试，增益跳变与否都是有效结论。风险在于计量实现门槛高，故列为 E20。
3 · 可检验假设
- H1：常数增益学习模型对 SCE 一年期中位数预期的 12 个月滚动样本外 RMSE 比理性预期基准（专业预测者 SPF 中位数作为理性代理）低 ≥15%，比朴素基准（上期实际通胀）低 ≥10%。
- H2：分段估计的学习增益在 2021Q2 前后显著上升（自助 95% 置信区间不重叠）——即高通胀环境使主体"更快遗忘旧数据"，与学习理论的注意力预测一致；若无跳变，"增益结构稳定"为有效结论。
4 · 量化验收标准
- 方法学校验（硬门槛）：（i）自写递归最小二乘（RLS）/常数增益滤波在模拟数据（已知真参数的 AR 过程 + 已知增益的学习主体）上恢复真参数，偏差 ≤5%（100 次蒙特卡洛）；（ii）复现 Branch (2004) 或一篇指定后续论文的核心表（预测器份额或增益估计），关键数值相对偏差 ≤10%（若原文数据不可得，则在密歇根公开时间序列上复现其定性模式并明示受限）。此步不过关，后续全部结论无效。
- 时间序列纪律：全部模型比较用滚动样本外（training window 预先写死为 10 年），并做一次"全样本内拟合 vs 滚动样本外"对照量化过拟合幅度；禁止用未来数据选超参。
- 口径预先写死：预期变量用 SCE 一年期通胀预期中位数与四分位距（分布信息），实际通胀用 CPI 同比；月度频率；断点检验用 Bai–Perron 或预先指定的 2021Q2 单断点 + 自助推断，报效应量（增益变化幅度）非仅 p 值。
- 稳健性：密歇根调查中位数序列（免费公开）作平行样本复做主分析，两数据源方向一致才下强结论。
- 全部估计给自助法（block bootstrap ≥1,000 次）置信区间。
- 代码开源；SCE 微观数据按其使用条款处理（能否再分发需核实，不能则只发布处理脚本）。
5 · 数据与工具
| 用途 | 来源 / 工具 |
|---|---|
| 家庭预期微观/分布数据 | NY Fed Survey of Consumer Expectations（newyorkfed.org 免费下载汇总与微观文件；微观文件的滞后发布窗口与使用条款需核实——第一核实项） |
| 平行样本 | Michigan Surveys of Consumers 公开时间序列（免费；微观数据需 ICPSR 权限，需核实，主分析不依赖它） |
| 实际通胀与宏观量 | FRED（CPI、失业率等，免费 API） |
| 理性代理 | Philadelphia Fed SPF（免费下载） |
| 估计 | Python + statsmodels/自写 RLS 滤波（核心 <200 行）；断点推断自写 bootstrap |
| 方法对照 | Branch (2004)、IMF WP 2024/25——仅用于校验与对比，不计入本项目贡献 |
算力：全部为低维时间序列滤波与 bootstrap，笔记本分钟级—小时级，纯 CPU 无压力。本课题风险全部在计量实现与概念理解（状态空间、学习滤波、断点推断），不在数据量与算力；降规模版本：只用公开中位数序列（不碰微观文件）做全部主分析。
6 · 方法路径
- 写模拟-恢复测试（第 1 条验收 i），吃透常数增益 RLS 的实现细节。
- 下载 SCE/密歇根/SPF/CPI，对齐月度面板；核实 SCE 微观条款（第 4 周）。
- 复现 Branch 类核心结果（第 1 条验收 ii）。
- 估计三类模型（常数增益学习 / 理性代理 / 朴素），跑滚动样本外比较。
- 做 2021Q2 断点的增益分段估计与 bootstrap 推断。
- 密歇根平行样本复做；分教育/年龄组的异质性分析（SCE 公开分组序列，作延伸）。
- 独立交叉校验：用 Kalman 滤波等价形式复算常数增益估计，参数一致 ≤2%。
7 · 新颖性边界
本课题不声称提出新预期理论，不声称结构因果识别（模型比较是预测力竞赛 + 参数刻画，非因果）。已有工作：学习模型优于理性预期的证据（Branch 2004 及后续）、疫情期预期分布拉宽（IMF 2024）均已发表。本项目贡献是时间覆盖的独立检验：把预测器竞争 + 增益估计框架推进到完整的 2021–2025 急升-回落周期并检验增益跳变——这是该理论"注意力随通胀环境变化"预测的一次干净的新样本检验。丘奖历届相邻工作须点名：2025 优胜"中国菲利普斯曲线平坦化：央行沟通与通胀预期"（中国、菲利普斯曲线视角，非学习模型结构估计），差异在对象（预期形成机制本身）与方法（滤波估计 + 样本外竞赛）。H1 失败（学习模型不再占优）是有效且有趣的结论；H2 无跳变同样有效，均须给置信区间证明检验力。
8 · 决策门槛（go / no-go）
- 第 4 周末：SCE 数据下载并对齐成功；微观条款核实完毕。微观不可用→立即锁定"公开中位数 + 四分位距序列"降规模版本（主结论框架完整保留，失去个体异质性延伸）。
- 第 8 周末（最硬闸）：模拟-恢复测试通过。此为计量能力的试金石：若第 10 周仍未通过，说明学生数学准备不足，整体降级为 E20-lite："三种简单预期规则（朴素/加权移动平均/固定增益）对 SCE 中位数的样本外预测比较 + 急升期误差分解"——不含滤波结构估计，保留"样本外竞赛 + 时期对比"主框架。
- 第 16 周末：Branch 类复现通过（偏差 ≤10%）。原文数据不可得且定性复现也失败→重检实现；仍失败则以模拟校验为唯一硬门槛并在论文明示。
- 第 30 周末：主竞赛与断点分析完成，密歇根平行样本启动。
- 已知困难与选择前提：本题需要状态空间/滤波的自学（约 6–8 周投入），仅适合数学最强、且接受"复现关卡可能通不过"风险的学生；调查中位数与个体预期的加总偏差是已知局限，写入讨论。
- 预算裁剪顺序：先砍异质性分组延伸，再砍密歇根平行样本，最后按 E20-lite 收缩；"样本外预测竞赛 + 急升期结构变化"主结论线全程保留。