Prévision de données fiscales à l'aide de données à fréquence mixte
Bibliographic record
Abstract
Dans ce mémoire, nous présentons une nouvelle méthode pour améliorer les prévisions de données fiscales annuelles. Celle-ci est fondée sur l'utilisation de données à différentes fréquences d'observations. Soit un modèle de régression fondé sur un échantillonnage de données à fréquence mixte (MIDAS) et sans contrainte (U-MIDAS). Deux nouvelles spécifications de ces derniers modèles sont aussi explorées par l'ajout d'une composante moyenne mobile. Ces méthodes permettent d'examiner l'utilité d'une grande variété d'indicateurs économiques pour prévoir la croissance nominale des revenus et des charges de programmes du gouvernement du Québec et celui du Canada à court et long terme. Les résultats qui en suivent laissent croire que les revenus sont plus faciles à prévoir que les charges de programmes. De plus, les résultats démontrent qu'il est préférable d'opter pour la combinaison des prédictions tirées de plusieurs indicateurs pour améliorer la précision des prévisions, et ce en diminuant la volatilité associée à l'utilisation d'un unique indicateur. En général, la spécification du modèle MIDAS est à privilégier dans notre contexte de petit échantillon – particulièrement à long terme – en comparaison avec les prévisions de référence du ministère des Finances du Québec et celui du Canada. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Données à fréquence mixte, MIDAS, Prévision de données fiscales, Combinaison de prévisions, Québec, Canada
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 | 0.011 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".