SAGA: Eine sequenzadaptive generative Architektur für mehrhorizontale probabilistische Prognose mit adaptiver temporaler konformer Vorhersage

Zusammenfassung

Mikrosimulationsmodelle, die von Finanzministerien und Zentralbanken verwendet werden, stützen sich auf parametrische Prozesse für Lebenseinkommen, die nur erste und zweite Momente der bedingten Verteilung erfassen und langfristige nichtlineare Strukturen übersehen. Wir schlagen SAGA vor, einen Decoder-only Transformer für unregelmäßige tabellarische Panelsequenzen, gekoppelt mit einem Split-Conformal-Kalibrierungs-Wrapper, der individuelle Vorhersageintervalle mit marginalen Überdeckungsgarantien für endliche Stichproben liefert. Trainiert auf dem longitudinalen schwedischen LISA-Register von 1990 bis 2022, das 2.143.817 Personen und 61.284.903 Personenjahre umfasst, prognostiziert das Modell jährliche Arbeitseinkommen für Horizonte von einem bis dreißig Jahren und aggregiert sie mittels Monte-Carlo-Simulation zu abgezinsten Lebenseinkommensverteilungen. Gegenüber dem kanonischen parametrischen Prozess von Guvenen, Karahan, Ozkan und Song sowie tabellarischen und rekurrenten Basislinien reduziert SAGA den Continuous Ranked Probability Score um 31,9 Prozent für den Zehn-Jahres-Horizont und den mittleren absoluten Fehler um 37,7 Prozent für den Zwanzig-Jahres-Horizont. Konforme Intervalle erreichen nominale Abdeckung mit einer marginalen Abweichung von bis zu 0,4 Prozentpunkten und einer Abweichung von bis zu 2,4 Prozentpunkten für die ungünstigste demografische Untergruppe. Der rekonstruierte Gini-Koeffizient des Lebenseinkommens beträgt 0,327, verglichen mit der teilweise beobachteten Wahrheit von 0,341 und der GKOS-Schätzung von 0,378. Modellgewichte, Kalibrierungstabellen und ein synthetischer äquivalenter Datensatz werden zur Replikation außerhalb der geschützten SCB-MONA-Umgebung veröffentlicht.

English

Microsimulation models used by ministries of finance and central banks rely on parametric processes for lifetime earnings that capture only first and second moments of the conditional distribution and miss long-range nonlinear structure. We propose SAGA, a decoder-only transformer for irregular tabular panel sequences, paired with a split conformal calibration wrapper that delivers individual-level prediction intervals with finite-sample marginal coverage guarantees. Trained on the longitudinal Swedish LISA register over 1990 to 2022, comprising 2,143,817 individuals and 61,284,903 person-years, the model forecasts annual labor earnings at horizons of one to thirty years and aggregates them by Monte Carlo into present-discounted lifetime earnings distributions. Against the canonical Guvenen, Karahan, Ozkan, and Song parametric process and tabular and recurrent baselines, SAGA reduces continuous ranked probability score by 31.9 percent at the ten-year horizon and mean absolute error by 37.7 percent at the twenty-year horizon. Conformal intervals achieve nominal coverage to within 0.4 percentage points marginally and within 2.4 percentage points on the worst-case demographic subgroup. The reconstructed lifetime earnings Gini coefficient is 0.327 against the partially observed truth of 0.341 and the GKOS estimate of 0.378. Model weights, calibration tables, and a synthetic equivalent dataset are released for replication outside the protected SCB MONA environment.