MétaCan
Menu
Retour à la cohorte
Enregistrement W6921624406 · doi:10.7274/26132884.v1

Understanding Macroeconomic Dynamics: Big-Data Forecasting and the Effects of Oil Price Shocks

2024· dataset· en· W6921624406 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2024
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUnemploymentRecessionOil priceBenchmark (surveying)Monetary policyShock (circulatory)Supply shockInterest rateVolatility (finance)Economic forecasting

Résumé

récupéré en direct d'OpenAlex

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0040,006
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,178
Tête enseignante GPT0,289
Écart entre enseignants0,110 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareTravaux en français237 207