Forecasting the probability of US recessions: a Probit and dynamic factor modelling approach
Notice bibliographique
Résumé
Abstract Quantifying the probability of U.S. recessions has become increasingly important since August 2007. In a data-rich environment, this paper is the first to apply a Probit model to common factors extracted from a large set of explanatory variables to model and forecast recession probability. The results show the advantages of the proposed approach over many existing models. Simulated real-time analysis captures all recessions since 1980. The proposed model also detects a significant jump in the next six-month recession probability based on data up to November 2007, one year before the formal declaration of the recent recession by the NBER. Quantifier la probabilité des récessions américaines est devenu de plus en plus important depuis août 2007. Dans un environnement où l’information foisonne, ce texte est le premier à appliquer la technique probit à des facteurs communs extraits d’un vaste ensemble de variables explicatives pour modéliser et prédire la probabilité de récession. Les résultats montrent les avantages de l’approche utilisée sur plusieurs des modèles en vogue. Une analyse de simulation en temps réel saisit toutes les récessions depuis 1980. Le modèle proposé détecte aussi un saut significatif dans la probabilité de récession dans les prochains six mois à partir des données disponibles jusqu’à novembre 2007 – un an avant que le NBER n’annonce formellement le commencement de la récente récession.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».