La fiabilité des estimations de l'écart de production au Canada
Bibliographic record
Abstract
Dans cette étude, nous mesurons, à l'aide de données canadiennes, l'ampleur des révisions apportées aux estimations en temps réel de l'écart de production obtenues avec diverses techniques d'estimations univariées et multivariées. Nous effectuons aussi une évaluation empirique de l'utilité des estimations faites de l'écart de production pour prévoir l'inflation. Nos résultats montrent que, quelle que soit la technique d'estimation utilisée, l'écart-type des révisions est d'un ordre de grandeur similaire à celui des estimations de l'écart de production. Nous trouvons aussi que les révisions présentent un degré élevé de persistance pour toutes les techniques, à l'exception de la technique de Beveridge-Neldon. Cela signifie que le délai qui s'écoule avant que l'on détermine toute l'ampleur des erreurs d'estimations est assez long. Finalement, nos résultats indiquent que les estimations de l'écart de production ne permettent pas d'améliorer significativement les prévisions d'inflation. À la lumière de ces résultats, nous concluons que la fiabilité des estimations en temps réel de l'écart de production est assez faible.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.089 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".