Mastodawn

🚨 如何精確捕捉數據中「消失的結構」？我們的最新研究剛剛在 MDPI的Mathematics期刊上線了！

我們開發了一種全新的「可計算分段線性迴歸（CPLR）」模型。我們不再假設世界是線性平滑的，而是讓數據自己告訴我們：轉折點在哪裡？

接下來讓我簡單說明一下

傳統的回歸分析（Linear Regression）雖然簡單，但往往會抹平數據中的「制度性斷層」。

特別是在分析經濟數據時，單一的曲線很難解釋數十年間複雜的政策變化。我們的 CPLR 方法不依賴假設檢定，而是透過數據驅動的演算法，自動識別結構性變化。 📈

我們將模型應用於 G7 國家的「菲利普曲線」（失業率 vs 通膨）。
研究發現：

✅ CPLR 在捕捉歷史結構上顯著優於傳統線性模型。

✅ 成功識別出如日本、德國、義大利等國在不同經濟週期下的非連續性特徵。

這證明了「分段建模」在精準描述複雜系統時的必要性。 🧪

2/4

為什麼這很重要？

這套數學工具不僅能用在經濟學，還可以廣泛應用於任何需要「數據驅動建模」的領域。透過 CPLR，我們能更準確地建立結構化模型，避免過度簡化，為政策制定提供更細緻的參考依據。 🏛️

3/4

感謝共同作者們在計算數學與數學建模領域的深入合作。

對模型代碼、偽代碼（Appendix A）或 G7 實證結果感興趣的朋友，歡迎閱讀 Open Access 全文：

4/4