Rechercher

La projection macroéconomique et l’analyse des risques jouent un rôle important dans la prise de décision des autorités monétaires. Les modèles font partie intégrante de ce processus. Cette étude décrit comment la Banque du Canada intègre les modèles utilisés en recherche pure et leurs apports dans l’environnement de projection des banques centrales.

Cette étude s’intéresse à l’implication vérifiable des comportements collusoires ou coopératifs des joueurs dans un jeu de choix binaire en situation d’information parfaite. J’illustre la mise en œuvre du test en réexaminant le jeu d’entrée entre Walmart et Kmart étudié par Jia (2008).

Nous passons en revue une sélection d’études tirant parti de l’apprentissage automatique à des fins de recherche économique et d’analyse de politiques. Notre examen fait ressortir les circonstances où l’apprentissage automatique est utilisé en économie, les modèles préférés en général, et la façon dont ils sont utilisés.

Les entreprises qui croissent rapidement sont susceptibles d’introduire des innovations, de lancer de nouveaux produits ou de mettre en place des processus inédits (Kogan et autres, 2017), de devenir des entreprises phares (Haltiwanger et autres, 2013) et d’avoir une incidence sur la part globale du travail (Autor et autres, 2020; De Loecker et autres, 2020). Nous explorons l’utilisation de techniques d’apprentissage automatique supervisé pour cerner un groupe d’entreprises émergentes à forte croissance en nous basant sur des données administratives sur les entreprises canadiennes.

La quatrième génération de modèles utilisés par la Banque du Canada pour effectuer des projections et des analyses est destinée à approfondir notre compréhension de la dynamique de l’inflation, de l’offre au sein de l’économie et des risques sous-jacents auxquels sont confrontés les décideurs publics, causés par l’incertitude qui entoure le fonctionnement de l’économie.

Nous utilisons deux algorithmes d’apprentissage automatique pour prévoir la croissance mensuelle des prix des logements et des ventes de logements existants au Canada. Même si ces algorithmes peuvent parfois être plus efficaces qu’un modèle linéaire, l’amélioration de l’exactitude des prévisions n’est pas toujours statistiquement significative.

Cette étude quantifie les risques extrêmes présents dans les perspectives d’inflation et de croissance du PIB réel au Canada en estimant leur distribution conditionnelle quotidienne. Nous montrons que les probabilités de matérialisation de ces risques calculées à partir des distributions conditionnelles reflètent fidèlement les résultats obtenus au cours de la période de 2002 à 2022.

Je montre comment combiner un grand nombre de prévisions au moyen de différentes approches dans le cadre d’une synthèse de prévisions bayésienne. Je constate que les techniques qui permettent de sélectionner et de combiner quelques prévisions – soit l’utilisation de mesures de rétrécissement a priori basées sur un modèle global-local – sont celles qui donnent les meilleurs résultats.

Nous présentons les processus gamma autorégressifs généralisés (GARG), une catégorie de processus autorégressifs et moyennes mobiles où la dynamique de chacun des moments conditionnels est influencée par une différente moyenne mobile identifiable de la variable d’intérêt. Nous montrons que l’utilisation de processus GARG réduit les erreurs d’évaluation de façon nettement plus importante que les processus gamma autorégressifs existants.

Nous élaborons des indicateurs à haute fréquence fondés sur les actualités qui utilisent le traitement automatique des langues pour analyser les reportages écrits. Nos indicateurs surveillent l’évolution des ruptures d’approvisionnement (matières premières, produits intermédiaires et produits finis) et de la pénurie de main-d’œuvre. Ils suivent aussi la variation de la trame narrative des différents types de pénuries au fil des semaines.