A New Approach to Rank Forecasters in an Unbalanced Panel
Notice bibliographique
Résumé
This study presents a new approach to ranking professional forecasters in an unbalanced panel. Ranking professional forecasters while not accounting for missing forecasts can lead to arbitrary results particularly depending on the forecasted variable and time period chosen. Here, our focus is on a third, very important but neglected, factor—the missing forecast. This paper identifies some serious issues related to the current methodology of some organizations, here we use the Bloomberg Survey as an example although Bloomberg is not alone with this problem. We re-rank top-10 forecasters of nonfarm payrolls using a new approach which accounts for missing forecasts. For many forecasters, the ranking based on our approach is significantly different than those of Bloomberg’s ranking. For instance, Bloomberg declared Credit Agricole as a winner (rank 1) but the new approach assigned 10th position (rank 10) to Credit Agricole. One major reason of different rankings for a firm is that Credit Agricole did not forecast for all 24 months and it was rewarded in the Bloomberg methodology for being absent in certain months. Our methodology does not reward a forecaster for being absent nor does it penalize a forecaster for submitting a forecast and thereby provides a fairer, more rigorous and accurate ranking. In addition, traditional forecast evaluation criteria, such as, MAE, MSE or RMSE are good for a balanced panel but not accurate for an unbalanced panel. Our approach provides a more rigorous and accurate forecasters ranking for any unbalanced panel.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».