许多经济应用，包括最优定价和库存管理，都需要基于销售数据和销售对价格变化React的估计来预测需求。 有多种计量经济学方法可用于纠正审查销售数据的需求参数估计中的偏差。 这些方法还可以应用于各类机器学习 (ML) 模型，以减少销售量的预测误差。 在这项研究中，我们构建了两个集成模型，用于在考虑和不考虑需求审查的情况下进行需求预测。 对销售审查的考虑基于审查分位数回归，其中模型估计分为两个独立的部分：a) 分类模型对零销售额的预测； b) 回归模型对非零销售额的预测。 有和没有审查的模型基于最小二乘法、岭回归和套索回归以及随机森林模型的预测聚合。 估计了两种模型的预测特性后，我们根据经验测试模型的最佳预测能力，同时考虑到需求的审查性质。 我们还表明，具有审查制度的 ML 提供了对价格变化的需求敏感性的偏差校正估计，类似于计量经济学模型
