MODÈLES DE PRÉVISION ÉCONOMIQUE FONDÉS SUR L’APPRENTISSAGE AUTOMATIQUE

Résumé

Cette étude analyse la capacité prédictive des modèles économétriques et d’apprentissage automatique pour estimer le PIB réel de l’Équateur, à partir de données trimestrielles couvrant la période 2008-2022, l’inflation et le taux d’intérêt étant utilisés comme variables explicatives. Des régressions linéaires multiples ont été estimées au moyen de la méthode des moindres carrés généralisés, ainsi que des modèles à retards distribués, des modèles de forêt aléatoire (Random Forest) et des réseaux neuronaux LSTM. La performance prédictive a été évaluée à l’aide de mesures d’erreur hors échantillon, à savoir la racine de l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE). Les résultats montrent que, dans le contexte de forte volatilité observé en 2022, le modèle optimisé à retards distribués a enregistré l’erreur la plus faible, tandis que, dans un scénario plus stable, le modèle LSTM a atteint une précision supérieure. Il en ressort que l’efficacité prédictive dépend à la fois du modèle retenu et du contexte économique, et que les approches économétriques traditionnelles et les techniques d’apprentissage automatique peuvent être complémentaires pour la prévision macroéconomique dans les économies dollarisées.