Performance analysis of nowcasting of GDP growth when allowing for conditional heteroscedasticity and non-Gaussianity
Notice bibliographique
Résumé
The nowcasting performance of autoregressive models for GDP growth are analysed in a setting where the error term is allowed to be characterized both by conditional heteroscedasticity and non-Gaussianity. Standard, publicly available, quarterly data on GDP growth from 1979 to 2019 for six countries are employed: Australia, Canada, France, Japan, the United Kingdom and the United States. In-sample analysis suggests that when homoscedasticity is assumed, support is provided for non-Gaussian error terms; the estimated degrees of freedom of the t-distribution lie between two and seven for all countries. However, allowing for both conditional heteroscedasticity and t-distributed innovations, results indicate that conditional heteroscedasticity captures the fat-tailed behaviour of the data to a large extent. Results from out-of-sample analysis show that point nowcasts are hardly affected by taking conditional heteroscedasticity and/or non-Gaussianity into account. For the density nowcasts, it is found that accounting for conditional heteroscedasticity leads to improvements for Australia, Canada, Japan, the United Kingdom and the United States; allowing for non-Gaussianity seems less important though. This result is robust to which measure is used for assessing density nowcasting performance.
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) | 0,001 | 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 ».