Short-Term Fiscal Projections Using Forecast Combination Approach
Notice bibliographique
Résumé
БЮДЖЕТНАЯ СИСТЕМА.ПРОГНОЗИРОВАНИЕ ДОХОДОВ Краткосрочное прогнозирование поступлений в бюджет с использованием комбинации прогнозовАннотация В настоящей работе сравнивается ряд подходов к прогнозированию поступлений налога на прибыль в следующем квартале: модель авторегрессии и скользящего среднего, экспоненциальное сглаживание, модель линейной регрессии, наивный прогноз и разные способы комбинирования этих моделей.Получено, что с ростом длины промежутка, за который рассчитывается ошибка прогнозирования для проектировок на следующий квартал, меры ошибок увеличиваются для «первичных» моделей и арифметического среднего прогнозов и уменьшаются для способов комбинирования, учитывающих ошибки прогноза в предыдущих периодах.На промежутках в пять и десять кварталов наименьшую ошибку прогнозирования на следующий квартал обеспечивает модель линейной регрессии с индексом Московской биржи в качестве объясняющей переменной.На промежутке в 15 кварталов -подход комбинирования прогнозов с выбором модели по минимальной величине ошибки прогноза за предыдущие четыре квартала, что объясняется диверсификацией рисков ошибок прогнозов.Полученные результаты позволяют рекомендовать использование такого метода комбинирования для прогнозирования налога на прибыль в краткосрочном периоде и рассматривать его для других поступлений в бюджет.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».