Les modèles d'équilibre général stochastiques comme outils de prévisions macroéconomiques : une approche bayésienne, le cas du Canada
Notice bibliographique
Résumé
Dans ce mémoire, nous portons notre intérêt sur l'amélioration de la qualité de prévision d'un modèle néo keynésien. Nous construisons progressivement une nouvelle variante des modèles d'équilibre général stochastique dynamique (DSGE) d'une petite économie ouverte, en l'occurrence celle du Canada, en ajoutant certaines hypothèses telles la rigidité salariale, ainsi que toutes les implications liées à l'ouverture de notre économie. De manière graduelle, nous partons du modèle néo keynésien DSGE de base pour parvenir à celui qui nous sied le mieux. Nous faisons à chaque étape une estimation de certains paramètres grâce aux techniques bayésiennes. Pour une validation empirique, nous utilisons certaines données macroéconomiques trimestrielles canadiennes. Par la suite nous procédons à une prévision hors échantillon à la fois du modèle et du vecteur autorégressif (VAR) pris pour modèle de référence. Nous trouvons que l'ajout des hypothèses susmentionnées dans le modèle de base améliore la précision de la prévision, surtout lorsque les horizons sont de plus en plus éloignés. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Prévision, DSGE, petite économie ouverte, rigidité salariale, modèle néo keynésien, techniques bayésienne, validation empirique, prévision hors échantillon, vecteur autorégressif (VAR).
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».