Forecasting GDP growth : a comprehensive comparison of employing machine learning algorithms and time series regression models
Notice bibliographique
Résumé
In this paper, we do a comprehensive comparison of forecasting Gross Domestic\nProduct (GDP) growth using Machine Learning algorithms and traditional time\nseries regression models on the following economies: Australia, Canada, Euro Area,\nGermany, Spain, France, Japan, Sweden, Great Britain and USA. The ML algorithms\nwe employ are Bayesian Additive Trees Regression Trees (BART), Elastic-Net\nRegularized Generalized Linear Models (GLMNET), Stochastic Gradient Boosting\n(GBM) and eXtreme Gradient Boosting (XGBoost), while Autoregressive (AR) models,\nAutoregressive Integrated Moving Average (ARIMA) models and Vector Autoregressive\n(VAR) models represents the traditional time series regression methods. The results\nassert that the multivariate VAR models are superior, indicating the chosen variables’\nand the models’ suitability of forecasting GDP growth. Furthermore, we also do\nan assessment of the top three variables that drives the best performing Machine\nLearning algorithm of XGBoost to investigate whether it suggests the same variables\nin forecasting GDP growth as macroeconomic theory. In general we do see some\nevidence, but in many cases the algorithm emphasizes other variables than what\nmacroeconomic theory suggests.\nKeywords – Time Series, Machine Learning, Econometric, GDP, Forecast
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».