Flow of conjunctural information and forecast of euro area economic activity
Notice bibliographique
Résumé
Euro area GDP and components are nowcast and forecast one quarter ahead. Based on a dataset of 163 series comprising the relevant monthly indicators, simple bridge equations with one explanatory variable are estimated for each. The individual forecasts generated by each equation are then pooled, using six weighting schemes including Bayesian ones. To take into consideration the release calendar of each indicator, six forecasts are compiled independently during the quarter, each based on different information sets: different indicators, different individual equations and finally different weights to aggregate information. The information content of the various blocks of information at different points in time for each GDP component is then discussed. It appears that taking into account the information flow results in significant changes in the weight allocated to each block of information, especially when the first month of hard data becomes available. This conclusion, reached for all the components and most of the weighting scheme, supports and extends the findings of Giannone, Reichlin and Small (2006) and Banbura and Rünstler (2007). An out-of-sample forecast comparison exercise is also carried out for each component and GDP directly. The forecast performance is found to vary widely across components. Two weighting schemes are found to outperform the equal weighting scheme in almost all cases. One-quarter ahead, the direct forecast of GDP is found to outperform the bottom-up approach. However, the nowcast resulting in the lowest forecast errors is derived from the bottom-up approach. JEL Classification: C22, C53, E17
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».