Appel à contributions : dossier à paraître dans le Journal of Econometrics

La revue Journal of Econometrics ouvre un appel à contributions jusqu’au 31 mai 2023 pour un dossier thématique consacré au rôle de l’apprentissage machine dans les politiques économiques (Machine Learning for economic policy).

Présentation du dossier thématique

Ce dossier thématique, qui paraîtra dans la revue Journal of Econometrics, est coédité par de grandes institutions publiques et universités. Ce numéro fera un tour d’horizon d’une pluralité de problèmes pour lesquels sont mises à profit des méthodes fondées sur l’apprentissage machine et des sources novatrices de données dans les contextes pertinents où sont formulées les politiques économiques.

Le dossier portera sur une série d’applications et d’apports méthodologiques, comme l’apprentissage profond, l’analyse textuelle, l’apprentissage par le renforcement, l’identification des chocs, les prévisions pour la période en cours, l’identification statistique. Il sera aussi question des différentes approches servant à modéliser, entre autres, l’interprétabilité et l’inférence.

Les techniques d’apprentissage machine se trouvent de plus en plus sous la loupe des chercheurs tout en étant employées par les praticiens d’institutions publiques, qu’il s’agisse de banques centrales ou d’administrations. Avec ce dossier thématique, la revue Journal of Econometrics a l’ambition de présenter des travaux d’avant-garde situés à la confluence de l’apprentissage machine et des politiques économiques.

Les institutions publiques s’emparent de ces nouvelles techniques pour de bonnes raisons. Les modèles basés sur des arbres de décision ou les réseaux de neurones artificiels peuvent offrir, souvent en conjonction avec des sources novatrices et riches de données (p. ex., textes ou indicateurs à fréquence élevée), une précision dans la prévision et des informations que n’offrent pas les modèles traditionnels. L’apprentissage machine, notamment, peut mettre en lumière des non-linéarités potentiellement inconnues mais importantes dans le processus de la production des données. Du reste, le traitement du langage naturel — rendu possible par les progrès de l’apprentissage machine — sert de plus en plus de clé pour mieux interpréter l’environnement économique que doivent scruter les pouvoirs publics.

Un défaut accompagne les apports de ces nouvelles techniques : il est souvent difficile de cerner le fonctionnement des modèles reposant sur l’apprentissage machine. Cette critique, dite de la chambre noire, tient en bonne partie à la manière dont s’est passé le développement des modèles basés sur l’apprentissage machine, un développement qui s’est axé sur la recherche d’exactitude. Cette priorité très spécifique peut être cependant particulièrement problématique pour la prise de décisions lorsque toutes les parties ont intérêt à comprendre tous les éléments d’information entrant dans le processus décisionnel, et ce, quelle que soit la précision des prédictions du modèle. Les outils de la science économique et de l’économétrie peuvent aider à résoudre ce problème et ainsi favoriser une approche transdisciplinaire.

Critères d’évaluation des communications

Il est impératif que le volet politique occupe une place importante dans le contenu de chaque étude et en soit une partie intégrante. Il n’est donc pas suffisant que l’intérêt que présentent pour le volet politique les communications retenues se limite à une illustration empirique. La valeur de la contribution des applications, des études de cas ou des expériences pour la décision économique devrait être évidente.

Si votre étude aborde à la fois la méthodologie et le volet politique décrits dans cet appel à contributions, nous vous invitons à la soumettre à la revue Journal of Econometrics pour le dossier thématique « Machine Learning for Economic Policy [96] [IG000583] ».

Date limite

La date limite du dépôt des études est fixée au 31 mai 2023. Les communications seront traitées dans leur ordre d’arrivée.

Équipe de rédaction

Rédactrice en chef, Journal of Econometrics :

  • Serena Ng (Université Columbia)

Rédacteurs associés :

  • Maryam Haghighi (Banque du Canada)
  • Andreas Joseph (Banque d’Angleterre)
  • George Kapetanios (King’s College de Londres)
  • Christopher Kurz (Conseil des gouverneurs de la Réserve fédérale)
  • Michele Lenza (Banque centrale européenne)
  • Juri Marcucci (Banque d’Italie)
Type(s) de contenu : Médias, Annonces