US recession prediction using statistical and natural language processing methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study mainly predicts the recession in the United States. We build our model based on the data of more than ten recessions experienced by the United States since the mid-20th century. Our research can be divided into two parts, one part is a machine learning model constructed using econometrics theory, and the other part is a text analysis model based on natural language processing (NLP) techniques. We collected quarterly data from January 1, 1950, to September 1, 2020, to examine each historical recessionary period. We select key macroeconomic variables such as real GDP growth rate, unemployment rate, and interest rates as variables to build the machine learning model. Depending on the data type and model accuracy, we adopted three models, Support Vector Classification (SVC), Naive Bayes, and Logistic Regression, where the SVC model has the highest accuracy, above 80%. Regarding NLP models, we choose the reports based on Bank of International Settlements central bank speeches (BIS) to complete the relevant analysis. We evaluate bag-of-words and convolutional neural networks in conjunction with Epoch loss to determine how well the model's predictions match the actual data. Although we have debugged the NLP model many times, its accuracy still needs to be higher than that of the econometric model. How to effectively improve the prediction accuracy of the NLP model will be the main problem we hope to solve in the future.
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.
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 | 0,001 |
| 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 découle