拿今天修订完整的经济数据，去模拟几年前的预测，就像答题时偷看了后来补发的标准答案：分数可能更高，却不代表当时真能做到。这篇论文把场景放到美国通胀预测，用实时数据版本——每个发布日期当时实际可见的数字——重新检验机器学习相对 Phillips curve（用通胀与劳动力市场松紧等关系做预测的传统基线）的优势。
作者用 2000—2026 年数据做滚动样本外预测。实时数据与修订后数据带来的准确率差异总体很小；除 6 个月期限的一组比较外，Diebold-Mariano 检验都无法区分差异，只有 Gradient Boosting 在较长期限持续显示正向预测能力。真正醒目的是模型“看重什么”：在修订后数据上，Random Forest 把 PCE 通胀列为 9 项输入中的第一名，平均绝对 SHAP 值为 0.778；换成实时数据后，它降至第六名、仅 0.039，模型转而更依赖当前 CPI。SHAP 是把一次预测贡献分摊给各项输入的解释方法。换句话说，预测分数变化不大，不代表模型内部依据可靠；所谓关键变量，可能只是事后修订制造的回看优势。