Prévision ascendante de l'inflation canadienne
Bibliographic record
Abstract
Ce mémoire de maîtrise examine différentes approches de prévision de l’inflation au Canada en utilisant les données de l’indice des prix à la consommation (IPC). Pour l’exercice de prévision, une méthode désagrégée est adoptée, consistant à combiner les prévisions des huit composantes de l’IPC en comparaison avec la prévision directe de l’IPC global (méthode désagrégée). Par ailleurs, nous examinons deux approches principales : une approche directe qui prédit directement le taux d’inflation et une approche itérative qui prédit le taux d’inflation mensuel et les agrège sur une période de 12 mois. L’exercice de prévision repose sur l’application de modèles ARIMA et ADL. En complément, nous élargissons notre approche en considérant l’utilisation de méthodes de régression pénalisée. Les résultats suggèrent que l’approche itérative se distingue par des performances supérieures à l’approche directe en termes d’erreur quadratique moyenne. De plus, les modèles ARMA et ADL montrent une meilleure performance que les régressions pénalisées, telles que Lasso, Ridge et Elastic-Net. Enfin, les résultats indiquent que la prévision combinée des huit composantes de l’IPC canadien, utilisant une moyenne pondérée des poids de Statistique Canada, présente une performance supérieure à la prévision directe du taux de croissance annuel de l’IPC. Ces résultats soulignent l’importance d’utiliser une approche itérative et de prendre en compte les caractéristiques des différentes composantes de l’IPC pour une prévision plus précise de l’inflation au Canada. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : inflation, Indice des prix à la consommation, prévision combinée, ARMA, ADL, Lasso, Ridge, Elastic-net
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| 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".