Prévision rétrospective des émissions des gaz à effet de serre au Canada
Bibliographic record
Abstract
L’estimation annuelle des émissions des gaz à effet de serre (GES) au Canada est publiée avec seize mois de retard. Ceci a pour effet de ralentir le suivi des objectifs de réduction mis en place par le gouvernement fédéral. C’est ainsi que le mémoire étudie l’utilisation de spécifications du modèle autorégressif à retards échelonnés (ADL) et du modèle autorégressif augmenté de facteurs latents (ARFL) pour la réalisation de prévisions rétrospectives des GES au Canada. Un panel de quatorze variables, inspiré des résultats présentés dans des articles de recherche se penchant sur la même question aux États-Unis, a été construit pour contenir l’ensemble de candidats pour la composante exogène du modèle ADL. D’autre part, les bases de données macroéconomiques de la Chaire en macroéconomie et prévisions de l’ESG UQAM ont servi à estimer par composantes principales les facteurs latents du modèle ARFL. Suite aux résultats obtenus avec un exercice de prévision, le mémoire propose la spécification du modèle ADL incluant la consommation de pétrole canadienne pour réaliser des prévisions rétrospectives du niveau des émissions des GES au Canada. En exploitant les plus récentes données, cette spécification prévoit que le niveau des émissions devrait s’établir à 687,5 Mt d’équivalent de dioxyde de carbone (CO2) en 2022, ce qui correspond à une hausse de 2,54 % par rapport à la dernière observation publiée. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : prévision, émissions des gaz à effet de serre, modèle autorégressif à retards échelonnés, 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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".