Google Search 与 COVID-19 时间序列中的非对称双向预测动态：多预测时域预测误差分析

arXiv:2610.28563v1 公告类型：new 摘要：在线搜索活动被广泛用作流行病期间信息寻求行为的数字痕迹，但其预测价值通常被简化为相关性、某个选定滞后期或单一预测误差评分。我们在两个方向上，使用基于滚动400天窗口、预测时域为1—14天且相互匹配的 LightGBM 预测，对八组预先指定的 Google Trends-COVID-19 配对进行研究。我们将对数 RMSE 增益与预测误差分布熵（FEDE）相结合，后者刻画带符号误差分布随预测时域变化的情况。由此得到的方向性预测特征包括响应类别、RMSE 效应、FEDE 终点与早期斜率响应、跨滚动状态的持续性，以及预测时域轮廓。为筛选候选方向，我们还引入了相对持续性加权的方向性预测响应强度（DPRS），其取值范围为研究内部的0—100；其中100表示比较集合中观测到的最强响应，而非绝对耦合最大值。这些配对呈现出一致型、仅RMSE型、仅FEDE型和混合型响应。“loss of smell” -> reported cases 以准确性效应为主，平均对数 RMSE 增益为0.104（相当于 RMSE 减少约9.9%），DPRS为100；而反向方向则以 FEDE 效应为主（D_FEDE=0.048；DPRS=42）。“covid test” -> positive rate 以 FEDE 效应为主（D_FEDE=0.039；在72%的窗口中为正；DPRS=98），尽管 RMSE 增益为负；“lockdown” -> stringency 则是最明显的一致型案例（DPRS=78）。全球层面的症状/病例配对持续性较弱。因此，预测准确性与误差分布动态具有互补性，预测效应可能取决于方向和指标，而预测时域也是关系的一部分。不应将聚合的状态层面模式外推至单个时间点，也不应将其解读为因果关系证据。