‘Lean' versus ‘Rich' Data Sets: Forecasting during the Great Moderation and the Great Recession
Notice bibliographique
Résumé
We evaluate forecasts for the euro area in data-rich and ‘data-lean' environments by comparing three different approaches: a simple PMI model based on Purchasing Managers' Indices (PMIs), a dynamic factor model with euro area data, and a dynamic factor model with data from the euro plus data from national economies (pseudo-real time data). We estimate backcasts, nowcasts and forecasts for GDP, components of GDP, and GDP of all individual euro area members, and examine forecasts for the ‘Great Moderation' (2000-2007) and the ‘Great Recession' (2008-2009) separately. All models consistently beat naïve AR benchmarks. More data does not necessarily improve forecasting accuracy: For the factor model, adding monthly indicators from national economies can lead to more uneven forecasting accuracy, notably when forecasting components of euro area GDP during the Great Recession. This suggests that the merits of national data may reside in better estimation of heterogeneity across GDP components, rather than in improving headline GDP forecasts for individual euro area countries. Comparing factor models to the much simpler PMI model, we find that the dynamic factor model dominates the latter during the Great Moderation. However, during the Great Recession, the PMI model has the advantage that survey-based measures respond faster to changes in the outlook, whereas factor models are more sluggish in adjusting. Consequently, the dynamic factor model has relatively more difficulties beating the PMI model, with relatively large errors in forecasting some countries or components of euro area GDP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».