Prévision de l’activité économique au Québec
Notice bibliographique
Résumé
We evaluate the predictability of the economic activity of Quebec in a data-rich environment. In our framework, the province of Quebec is treated as a regional economy that is exposed to the influence of the Canadian and American economies. Three large information sets are used: data from Quebec, Canada and the US, for a total of 453 macroeconomic variables. We compare a large number of models for the purpose of identifying those that are most efficient at forecasting macroeconomic aggregates of Quebec such as the GDP, employment, inflation, investment, etc. Our results suggest that the best model in terms of mean squared error depends on the variable of interest and on the forecasting horizon. A model that performs well at short horizons does not necessarily perform well at long horizons. Likewise, the model that best predicts the nominal GDP does not necessarily win the race when it comes to predict the real GDP. The ARMA(1,1) is found to be one of the best standard models to predict the nominal GPD and inflation. Models exploiting rich data sets often rank best individually. The most robust performances are obtained by averaging the forecasts delivered by the 5, 10 or 20 best individual models. Nous evaluons la previsibilite de l’activite economique du Quebec dans un environnement riche en donnees. Notre approche consiste a voir la province du Quebec comme une economie regionale soumise aux influences des economies canadienne et americaine. Trois grands ensembles d’information sont utilises : les donnees quebecoises, canadiennes et americaines, soit un total de 453 variables macroeconomiques. Nous comparons un grand ensemble de modeles dans le but d’identifier ceux qui sont les plus efficaces pour predire les principaux agregats de l’economie quebecoise tels que le PIB, l’emploi, l’inflation, l’investissement, etc. Nos resultats suggerent que le meilleur modele en termes d’erreur quadratique moyenne depend de la serie a predire et de l’horizon de prevision vise. Un modele ayant de bonnes performances a court horizon peut devenir moins bon a long horizon. Un modele bon pour predire le PIB nominal ne l’est pas forcement pour predire le PIB reel. Dans la categorie des modeles standards, le modele ARMA(1,1) s’est revele un bon benchmark pour predire le PIB nominal ou l’inflation. Les modeles riches en donnees se classent souvent comme les meilleurs individuellement. La moyenne des previsions fournies par une selection des 5, 10 ou 20 meilleurs modeles individuels delivre des performances encore plus robustes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».