Disaggregation and Forecasting of the Monthly Indonesian Gross Domestic Product (GDP)
Notice bibliographique
Résumé
Gross Domestic Product (GDP) is considered as the best measure of economicperformance. However, in Indonesia, the GDP is presented in quarterly aggregate value.As a result, the monthly economic outlook is unknown, and analysis with other monthlyeconomic variables becomes limited. Therefore, this study will disaggregate quarterlyGDP into monthly GDP and its forecasting by using one of the coincident indicatorswhich are monthly Production Index of Large and Medium Manufacturing (industrialproduction index). Disaggregation is done on National GDP data of Indonesia period2000/I to 2016 / IV, whereas forecasting is made on monthly and quarterly GDP 2017.This study uses a combination of the simple linear regression model and ARIMA modelwith some modifications. The disaggregation result indicates that the monthly GDPmoves volatile and has a different pattern between quarters. Also, the monthly GDPdisaggregation and forecasting are proven that can be used by industrial productionindex that becomes a coincident indicator. GDP 2017 shows that the highest quarterlyGDP will have occurred in the third quarter, whereas the highest monthly GDP willhave occurred in June (second quarter). The result of disaggregation can be used furtherto the study of economic outlook will be more comprehensive.
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 | 0,000 |
| 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 ».