ナウキャスティングにおける計量経済学と機械学習方法論のベンチマーク【JST・京大機械翻訳】

Hopp Daniel

プレプリント

J-GLOBAL ID：202202207679373542 整理番号：22P0345463

ナウキャスティングにおける計量経済学と機械学習方法論のベンチマーク【JST・京大機械翻訳】

Benchmarking Econometric and Machine Learning Methodologies in Nowcasting

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年05月06日プレプリントサーバーでの情報更新日： 2022年05月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

キャスティングは,最終GDP図のような重要な時間遅れで公開されたデータに対する政策立案者のタイムリーな洞察を与える際に重要な役割を果たす。現在,実務者にとっては,多くの方法論とアプローチがある。しかし,予測性能と特性に関して,これらの異種アプローチの包括的な比較が不足している。今報では,現在,最も普及している伝統的な機械学習アプローチの幾つかと同様に,現在注型で採用されているすべての方法を含む,米国四半期GDP成長を注型する12の異なる方法論の性能を調べることによって,欠陥が取り組まれている。アメリカの経済歴史における3つの異なるtum雑な期間,すなわち1980年代早期の後退,2008年の財政危機,およびCOVID危機について性能を評価した。解析における2つの最良の実行方法は,長い短期記憶人工ニューラルネットワーク(LSTM)とBayesベクトル自己回帰(BVAR)であった。調べた方法論のそれぞれの適用と試験を容易にするために,異なるデータセットに適用することができるボイラプレートコードを含むオープンソースリポジトリを,論文に沿って発表し,即ち,ギトブ・コ/ドップ1/知識キャッセンブ・ベンチマークで利用できる。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

産業経済 , エネルギーに関する技術・経済問題

, , , ,

前のページに戻る