Bibliographic record
Abstract
Cette thèse est composée de trois articles. Chaque article se concentre sur des problèmes différents et les résultats sont pertinents pour le travail empirique en macroéconomie. Le premier chapitre concerne la capacité des modèles à vecteurs autorégressifs par quantile (QVAR) à prévoir les risques macroéconomiques dans plusieurs contextes. Les modèles QVAR ont été introduits par White et al. (2015), Chavleishvili and Manganelli (2021) et Ruzicka (2021) dans les contextes de prévision de la valeur en jeu (value-at-risk), des scénarios de prévision et de l’analyse structurelle. Par contre, leur capacité à prévoir les densités et les quantiles dans les queues de distributions n’avait pas encore été évaluée. Cet article propose de procéder à cette évaluation sur la base d’une comparaison relative à des modèles paramétriques standards dans un exercice de prévision pseudo-hors-échantillon couvrant 112 variables mensuelles aux États-Unis, ainsi qu’une période de plus de 40 ans. Les modèles QVAR font systématiquement mieux que les modèles paramétriques, particulièrement pour le marché du travail et les taux d’intérêt. De plus, l’utilisation de facteurs estimés par composantes principales comme dans Stock and Watson (2002a,b) et de facteurs quantiles introduits par Chen et al. (2021) améliore la précision des prévisions, particulièrement pour le marché du travail. Les QVAR sont donc des modèles adéquats pour la prévision de risque en macroéconomie. Le second chapitre porte sur le problème d’identification de chocs structurels en présence de données macroéconomiques persistentes. L’approche par maximisation des parts (Max Share) identifie un choc en maximisant sa contribution dans la décomposition de la variance de l’erreur de prévision pour une variable cible à un horizon donné.1 Cette méthode est souvent appliquée sur des variables en niveau (par exemple, Barsky and Sims (2011) ou Zeev and Khan (2015)) et cible des horizons distants afin d’éviter d’avoir à se prononcer sur la structure de cointégration du système. Nous montrons théoriquement que cette stratégie mène généralement à des estimateurs non converents. Nous illustrons dans des simulations Monte Carlo que ceci peut conduire à des biais importants et des erreurs quadratiques (RMSE) plus grandes à des horizons intermédiaires et longs. Une application empirique aux chocs de nouvelles (news shocks) sur la technologie spécifique à l’investissement (IST) et sur la productivité multifactorielle (TFP) illustre la pertinence des résultats pour le travail empirique. Le troisième chapitre présente une grande base de données canadienne2 et établit son utilité pour le travail empirique. La base de données a été construite pour offrir une version canadienne de la base de donnée FRED-MD (McCracken and Ng, 2016) qui est disponible publiquement pour les États-Unis et elle a été créée pour pouvoir être mise à jour régulièrement. Les millésimes (vintages) en temps réel sont aussi conservés afin de soutenir d’éventuels travaux de recherche. L’article montre aussi que la base de données présente une structure à facteurs latents relativement stable, qu’elle permet d’améliorer notre capacité à prévoir les points de retournements du cycle canadien et qu’elle améliore la précision des prévisions macroéconomiques. Nous montrons aussi comment la base de données peut servir pour étudier l’hétérogénéité des réponses à un choc de politique monétaire à travers le Canada. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : régression quantile, risque macroéconomique, prévision par densité, prévision par quantile, facteurs quantiles, SVAR, identification par maximisation des parts et inférence, racines unitaires, racines quasi-unitaires, asymptotique, environnement riche en données, modèle à facteurs, prévision, analyse structurelle
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 | 0.008 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".