Prévision de l'inflation au Canada
Bibliographic record
Abstract
Ce document a pour but de présenter la prévision de l’inflation à l’aide du modèle ARIMA et la Courbe de Phillips. Il est important de s’intéresser à ce sujet en tant qu’économiste, car c’est une variable macroéconomique essentielle qui influence les choix économiques et financiers. Plusieurs méthodes existent pour prévoir l’inflation dont le modèle ARIMA et la courbe de Phillips. Le modèle ARIMA est très robuste en ce sens qu’il englobe le processus autorégressif, la partie de différenciation et la composante de moyenne mobile. Cependant, la courbe de Phillips standard met en évidence la relation inverse entre l’inflation et le taux de chômage. Par ailleurs, la courbe de Phillips améliorée établit la relation inverse entre l’inflation et le taux de chômage et la relation positive entre l’inflation et le taux de de change et le taux d’intérêt de court terme. La méthode employée pour obtenir le modèle ARIMA est l’approche de Box-Jenkins. De plus, le meilleur modèle ARIMA obtenu de la série de l’inflation canadienne est ARIMA (3,1,2) pour les données mensuelles de l’inflation de 1971 à 2016. Le meilleur modèle observé est la courbe de Phillips améliorée. Cela est d’autant plus normale, car le Canada est une petite économie ouverte, et donc ces variables macroéconomiques dépendent en partie de la situation économique de l’extérieur. Néanmoins, la courbe de Phillips améliorée révèle que le taux de chômage influence en majeure partie le taux d’inflation. Nos résultats présentent des prévisions à la baisse du niveau d’inflation de 2017 à 2020, ce qui est conforme avec l’évolution des valeurs réalisées de l’inflation canadienne.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".