On the Advantages of Disaggregated Data: Insights from Forecasting the U.S. Economy in a Data-Rich Environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The good forecasting performance of factor models has been well documented in the literature. While many studies focus on a very limited set of variables (typically GDP and inflation), this study evaluates forecasting performance at disaggregated levels to examine the source of the improved forecasting accuracy, relative to a simple autoregressive model. We use the latest revision of over 100 U.S. time series over the period 1974-2009 (monthly and quarterly data). We employ restrictions derived from national accounting identities to derive jointly consistent forecasts for the different components of U.S. GDP. In line with previous studies, we find that our factor model yields vastly improved forecasts for U.S. GDP, relative to simple autoregressive benchmark models, but we also conclude that the gains in terms of forecasting accuracy differ substantially between GDP components. As a rule of thumb, the largest improvements in terms of forecasting accuracy are found for relatively more volatile series, with the greatest gains coming from improvements of the forecasts for investment and trade. Consumption forecasts, in contrast, perform only marginally better than a simple AR benchmark model. In addition, we show that for most GDP components, an unrestricted, direct forecast outperforms forecasts subject to national accounting identity restrictions. In contrast, GDP itself is best forecasted as the sum of individual forecasts for GDP components, but the improvement over a direct, unconstrained factor forecast is small.
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.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découle