Prévision de l'état actuel du PIB québécois
Bibliographic record
Abstract
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
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".