A Threshold GARCH Model for Chilean Economic Uncertainty
Notice bibliographique
Résumé
In this paper, an autoregressive moving average (ARMA) model with threshold generalized autoregressive conditional heteroscedasticity (TGARCH) innovations is considered to model Chilean economic uncertainty time series. Uncertainty is measured through the Business Confidence Index (BCI) and Consumer Perception Index (CPI). The BCI time series provide useful information about industry; commerce; the finance, mining, construction, and agricultural sectors; and the global economic situation and the general business situation. As a counterpart, the CPI time series measure the perception of consumers regarding the state of the Chilean economy, evaluating their economic situation and expectations. The ARMA-TGARCH model is compared with the classical seasonal ARIMA and threshold AR ones. The results show that the ARMA-TGARCH model explains the regime changes in economic uncertainty better than the others, given that negative shocks are associated with statistically significant and quantitatively larger levels of volatility produced by the COVID-19 pandemic. In addition, a diagnostic analysis and prediction performance illustrates the suitability of the proposed model. Using a cross-validation analysis for the forecasting performance, a proposed heteroscedastic model may effectively help improve the forecasting accuracy for observations related to pessimism periods like the social uprising and the COVID-19 crisis which produced volatility in the Chilean uncertainty indexes.
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 | 0,002 | 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 ».