Prepared for the Handbook of Economic Forecasting
Notice bibliographique
Résumé
Abstract: We address some of the key questions that arise in forecasting the price of crude oil. What do applied forecasters need to know about the choice of sample period and about the tradeoffs between alternative oil price series and model specifications? Are real or nominal oil prices predictable based on macroeconomic aggregates? Does this predictability translate into gains in out-of-sample forecast accuracy compared with conventional no-change forecasts? How useful are oil futures markets in forecasting the price of oil? How useful are survey forecasts? How does one evaluate the sensitivity of a baseline oil price forecast to alternative assumptions about future demand and supply conditions? How does one quantify risks associated with oil price forecasts? Can joint forecasts of the price of oil and of U.S. real GDP growth be improved upon by allowing for asymmetries? Acknowledgements: We thank Christiane Baumeister for providing access to the world and OECD industrial production data and Ryan Kellogg for providing the Michigan survey data on gasoline price expectations. We thank Domenico Giannone for providing the code generating the Bayesian VAR forecasts. We have benefited from discussions with Christiane Baumeister, Mike McCracken, James Hamilton, Ana María Herrera, Ryan Kellogg, Simone Manganelli, and Keith Sill. We thank David Finer and William Wu for assisting us in collecting some of the data. The views in this paper are solely the responsibility of the authors and should not be interpreted as reflecting the views of the Board of Governors of the Federal Reserve System or of the Bank of Canada or of any other person associated with the Federal Reserve System or with the Bank of Canada.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».