Understanding Macroeconomic Dynamics: Big-Data Forecasting and the Effects of Oil Price Shocks
Notice bibliographique
Résumé
This dissertation comprises three chapters. The first chapter compares macroeconomic forecasts of various machine learning models. The subsequent two chapters evaluate the response of unemployment and monetary policy to various oil price shocks. The first chapter evaluates the performance of an extensive set of machine learning algorithms in forecasting macroeconomic variables relative to benchmark econometric models. We conduct a pseudo-out-of-sample forecast for fifteen real, nominal, and financial variables. Machine learning models outperform the benchmark in forecasting real variables, attributed to their ability to handle nonlinearities, but perform worse in forecasting nominal and financial variables. They beat the benchmark during high volatility episodes, like recessions and the COVID-19 pandemic. Dimension reduction models frequently appear in the top five most accurate models for real variables, especially at longer horizons. In the second chapter, we utilize local projections to investigate the impact of structural oil price shocks on unemployment rates and spells across the United States, emphasizing both national and state-level variations. Oil supply shocks lead to long-run increases in the national unemployment rate, incidence, and short-term unemployment. In contrast, economic activity shocks reduce all unemployment rates and spells, especially in oil-producing states. Consumption demand shocks have minimal impact on unemployment rates and durations, while inventory demand shocks show only temporary effects on durations. The third chapter uses local projections to investigate the macroeconomic and monetary policy responses to adverse oil supply shocks. The Federal Reserve raises interest rates twice: on impact and ten months after the shock to counter ongoing high inflation. A net oil exporter, Canada raises interest rates sharply in response to the shock to counter inflation. Switzerland initially maintains steady interest rates to prevent Swiss Franc appreciation, followed by gradual rate increases to manage inflation as the exchange rate stabilizes. Despite these efforts, inflation remains high in Switzerland.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».