Navigating the confluence of econometrics and data science: Implications for economic analysis and policy
Notice bibliographique
Résumé
This paper explores the transformative integration of econometrics and data science, a synergy poised to redefine empirical research within economics. By merging traditional econometric methods with advanced data science techniques, such as machine learning algorithms and big data analytics, this interdisciplinary approach enables a deeper, more nuanced understanding of complex economic phenomena. We delve into the theoretical foundations underlying this integration, highlighting how machine learning algorithms like random forests and neural networks complement conventional regression analysis, thereby enhancing model complexity and predictive accuracy. The paper further discusses methodological advancements, including handling high-dimensional data, incorporating unstructured data through natural language processing, and the evolution of model selection processes empowered by machine learning. Practical applications are thoroughly examined across three pivotal areas: economic forecasting and policy analysis, financial markets and risk management, and social economic analysis and public policy, showcasing the significant contributions of this convergence to economic forecasting, policy formulation, and the assessment of public interventions. This comprehensive exploration underscores the potential of combining econometrics and data science to offer more precise and actionable insights for policymakers, researchers, and practitioners in the field of economics.
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 | 0,072 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,025 |
| Communication savante | 0,018 | 0,033 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,009 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».