机构名称：
¥ 8.0
除了对公共卫生的损害和人类生命的巨大损害外，Covid-19的大流行还震惊了几乎每个国家的经济结构。影响（而且在许多情况下）大于2007/2008经济危机。但是，由于政策制定者的反应，对财务状况的影响持续了很长时间。然而，学术研究人员和行业从业人员目前正在辩论大流行期间如何进行经济预测以及从这种外源经济冲击中学到的教训。特别是Foroni等。（2020）使用美国数据利用金融危机和大流行期间经济衰退之间的相似性。采用混合频率模型（MIDAS和UMIDAS）表明，在流行期间调整与现金危机期间和预测错误的数量相似的量和预测似乎会产生改善的结果。Huber等。 （2020）专注于欧元区国家，通过合并回归树来开发非线性的混合频率VAR框架，并利用它们建模异常值并将信号从噪声中解散的能力。 他们发现相对于线性混合频率VAR基准测试的现象性能的改进。 最近，Goulet Colombe等人。 （2021）专注于线性和非线性机器学习方法，并研究了经济预测的收益，在某些情况下，与简单的AR基准相比，结果导致了40-50％的结果。 但是，这只是方法和建模的问题吗？Huber等。（2020）专注于欧元区国家，通过合并回归树来开发非线性的混合频率VAR框架，并利用它们建模异常值并将信号从噪声中解散的能力。他们发现相对于线性混合频率VAR基准测试的现象性能的改进。最近，Goulet Colombe等人。（2021）专注于线性和非线性机器学习方法，并研究了经济预测的收益，在某些情况下，与简单的AR基准相比，结果导致了40-50％的结果。但是，这只是方法和建模的问题吗？上述研究将焦点放在了方法论方面，并讨论了获取模型的新方法，这些模型可以部分改善给定的基准模型，并在经济不确定性增加时帮助研究人员。我们是否应该将所有研究力量投资于大流行期间应该（或可以）使用的方法论？上述问题激发了我们与文献中持续的辩论保持距离，从复杂的方法论中退后一步，并重新考虑任何建模中最重要的成分，即数据。如果适当的数据集
使用ONS评估经济速度更快
主要关键词
相关文件推荐
