Making It Real: Bringing Research Models into Central Bank Projections
Notice bibliographique
Résumé
This paper aims to bridge the gap between models in research and models used to support policy decisions in central banks. Models used in central bank projection environments overlap with research models and benefit from lessons learned in research, but they differ from research models in important ways. For example, to deal with real-world macroeconomic projection issues, central bank models may have a broader scope. To inform policy decision-making, models generally need both a theoretical basis and an ability to “fit” the data. For repeated projection exercises, forecasters need models that can be adapted to deal with data flows, including historical revisions. And, to provide valuable advice, forecasters must incorporate judgement into their projections to address issues outside the scope of the model. If all these challenges are met, then central bank models and projections will also inform the economic narrative that helps the public understand the policy decisions. In this context, this paper is organized around four main themes: 1) model requirements for central bank purposes; 2) overview of the Bank of Canada’s main policy models—ToTEM and LENS; 3) challenges in meeting those modelling requirements; and 4) practical approaches to addressing some challenges under time constraints. The paper concludes with a description of how lessons learned from research and practice set the stage for the Bank’s future modelling agenda, as discussed in Coletti (2023).
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 | 0,032 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».