Prévision de l'état actuel du PIB québécois
Notice bibliographique
Résumé
Dans ce mémoire, nous explorons l’utilisation des données de Google Trends pour améliorer les prévisions en temps réel du produit intérieur brut (PIB) du Québec. L’objectif est de déterminer si l’intégration de ces données non traditionnelles dans des modèles économétriques permet d’accroître la précision des prévisions économiques. Nous appliquons plusieurs modèles de prévision, notamment MIDAS (Mixed Data Sampling), UMIDAS (Unrestricted MIDAS), Random Forest (RF), Gradient Boosting Machine (GBM), et LASSO, à des données de fréquences mixtes couvrant la période de 2015 à 2023. Ces modèles sont comparés à un modèle de référence autorégressif (AR(p)) pour évaluer leur performance avec et sans l’inclusion des données de Google Trends. Les résultats montrent que l’intégration des données de Google Trends améliore significativement la précision des prévisions en période de volatilité économique, comme pendant la pandémie de COVID-19. En revanche, ces données apportent moins de valeur ajoutée dans un contexte de stabilité économique, où les modèles traditionnels sans données additionnelles se révèlent tout aussi performants. Cette recherche met en lumière l’importance d’utiliser des sources de données alternatives pour enrichir les modèles de prévision économique, tout en soulignant les limites de ces données dans des environnements économiques stables. Elle contribue ainsi à une meilleure compréhension de l’efficacité des approches innovantes en prévision économique, offrant des perspectives pour les décideurs et les analystes sur l’utilisation de nouvelles sources de données pour affiner leurs modèles. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Google Trends, prévisions économiques, Produit intérieur brut (PIB), Québec, MIDAS, UMIDAS, Random Forest, GBM, LASSO
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».