Description du projet
Améliorer la prise de décision économique
L’élargissement des sources de mégadonnées (Big Data) apporte de nombreuses possibilités aux domaines de l’économie. En même temps, ce phénomène augmente les défis statistiques dans la mesure où il exige l’adoption de méthodes capable d’estimer des modèles à haute dimension contenant une multitude de paramètres. Si la communauté d’apprentissage statistique est en mesure de fournir ces modèles, ils ne sont toutefois pas adaptés aux séries chronologiques de données économiques. Le projet BigTime, financé par l’UE, qui tire parti de l’économétrie, des statistiques et de l’apprentissage automatique, vise à élaborer des méthodes d’apprentissage statistique qui assurent une quantification honnête de l’incertitude, une analyse économique et interprétable de la fonction de réponse impulsionnelle ainsi que l’identification des modèles de séries chronologiques à haute dimension. Le projet développera une boîte à outils d’analyse des grandes séries chronologiques qui appuiera et améliorera la prise de décision économique dans le cas de problèmes liés à des grandes séries chronologiques dynamiques et complexes.
Objectif
Big time series data are commonplace in economics. Their variety and sheer size provide nearly endless opportunities to improve economic decision making at European governments, companies and universities: amongst others, internet search data could shed light on consumer sentiment, social media provide opportunities for improving economic policy analysis, and high-frequency volatility data could be informative for financial risk analysis.
While the expansion of these Big Data sources bring possibilities, it also raises ever-increasing statistical challenges since novel methods (for instance, 'penalized' methods) are needed to estimate high-dimensional models containing many parameters. The development of such methods has flourished in the statistical learning community, but they are not geared towards the specificities of economic time series. Econometric time series models typically differ from traditional statistical models in that they require (i) an accurate assessment of the certainty of the economic findings and predictions, (ii) a description of how the economy responds, over time, to exogenous shocks, and (iii) an identification strategy that maps the observed data to the relevant economic parameters of interest. The proposal builds a partnership between econometrics, statistics and machine learning with the aim of addressing these three econometric objectives. It develops statistical learning methods for (i) honest uncertainty quantification (inference), (ii) interpretable economic impulse response functions analysis and (iii) identification of high-dimensional time series models. The suitability of the developed Big Time Series methods is demonstrated for economic applications including financial risk analysis and macro-economic policy analysis.
As such, the proposal provides a Big Time Series Analytics toolbox to modern empirical economists that aims to support and improve economic decision making in big, dynamic and complex time series problems.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
- sciences sociales économie et affaires économie économétrie
- sciences naturelles informatique et science de l'information internet
- sciences naturelles informatique et science de l'information science des données mégadonnées
- sciences naturelles mathématiques mathématiques appliquées statistique et probabilité
- sciences naturelles informatique et science de l'information intelligence artificielle apprentissage automatique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Nous sommes désolés... Une erreur inattendue s’est produite.
Vous devez être authentifié. Votre session a peut-être expiré.
Merci pour votre retour d'information. Vous recevrez bientôt un courriel confirmant la soumission. Si vous avez choisi d'être informé de l'état de la déclaration, vous serez également contacté lorsque celui-ci évoluera.
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
H2020-EU.1.3. - EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme -
H2020-EU.1.3.2. - Nurturing excellence by means of cross-border and cross-sector mobility
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
MSCA-IF-EF-ST - Standard EF
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) H2020-MSCA-IF-2018
Voir tous les projets financés au titre de cet appelCoordinateur
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
6200 MD Maastricht
Pays-Bas
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.