Les modèles d'équilibre général stochastiques comme outils de prévisions macroéconomiques : une approche bayésienne, le cas du Canada
Bibliographic record
Abstract
Dans ce mémoire, nous portons notre intérêt sur l'amélioration de la qualité de prévision d'un modèle néo keynésien. Nous construisons progressivement une nouvelle variante des modèles d'équilibre général stochastique dynamique (DSGE) d'une petite économie ouverte, en l'occurrence celle du Canada, en ajoutant certaines hypothèses telles la rigidité salariale, ainsi que toutes les implications liées à l'ouverture de notre économie. De manière graduelle, nous partons du modèle néo keynésien DSGE de base pour parvenir à celui qui nous sied le mieux. Nous faisons à chaque étape une estimation de certains paramètres grâce aux techniques bayésiennes. Pour une validation empirique, nous utilisons certaines données macroéconomiques trimestrielles canadiennes. Par la suite nous procédons à une prévision hors échantillon à la fois du modèle et du vecteur autorégressif (VAR) pris pour modèle de référence. Nous trouvons que l'ajout des hypothèses susmentionnées dans le modèle de base améliore la précision de la prévision, surtout lorsque les horizons sont de plus en plus éloignés. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Prévision, DSGE, petite économie ouverte, rigidité salariale, modèle néo keynésien, techniques bayésienne, validation empirique, prévision hors échantillon, vecteur autorégressif (VAR).
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.004 |
| 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".