Search

In statistics, samples are drawn from a population in a data- generating process (DGP). Standard errors measure the uncer- tainty in sample estimates of population parameters. In sci- ence, evidence is generated to test hypotheses in an evidence- generating process (EGP). We claim that EGP variation across researchers adds uncertainty: non-standard errors. To study them, we let 164 teams test six hypotheses on the same sam- ple. We find that non-standard errors are sizeable, on par with standard errors. Their size (i) co-varies only weakly with team merits, reproducibility, or peer rating, (ii) declines significantly after peer-feedback, and (iii) is underestimated by participants.

In this dissertation, I examine the roles of uncertainty and beliefs in the economy. In chapter 2, I investigate whether macroeconomic uncertainty affects monetary-policy decisions in the US. Eight times per year, the Federal Open Market Committee (FOMC) meets to review monetary policy in light of current economic conditions. I assume that the FOMC members use a standard macroeconomic model to make sense of the economic conditions. It captures the relationships between economic growth, inflation, and the interest rate. I further assume that the policymakers are Bayesian learners: as new data comes in, they update their beliefs about the model’s parameters. These beliefs are represented by a probability distribution. I derive a measure of macroeconomic uncertainty from its dispersion. In constructing this uncertainty measure, I use macroeconomic data as it was available at each FOMC meeting. I estimate the impact of this real-time, Bayesian measure of macroeconomic uncertainty on the FOMC’s interest rate decisions. I find that policymakers set a significantly lower interest rate in times of higher macroeconomic uncertainty. In the third chapter of this dissertation, I investigate how risk attitudes influence beliefs. I adopt the heuristic switching model, in which economic agents choose between simple forecasting rules to form beliefs. I introduce a role for risk aversion in agents’ choice between these rules: they choose a rule based on its performance and the variability of that performance. Agents have different risk preferences, and therefore choose different rules, leading to heterogeneous expectations. To empirically validate the model, I draw the agents’ risk aversions from a distribution based on survey data. I incorporate this belief-formation model in a stylized financial market. I prove that a representative agent cannot capture this model. Simulations show that the resulting belief dynamics can drive unpredictable booms and busts in the asset price. Introducing small stochastic price shocks leads to larger asset price bubbles and can destabilize markets. In chapter 4, I propose an explanation for the mixed results from studies about the role of sentiment in economics: these studies measure different dimensions of sentiment that have distinct macroeconomic impacts. To test this hypothesis, I rely on Rational Beliefs theory. It implies that sentiment can be measured as the difference between observed forecasts and non-judgmental forecasts based on the available data. I use observed forecasts from the Survey of Professional Forecasters, covering 50 years, approximately 40 forecasters per survey, various economic variables (e.g., output, prices, interest rates, housing), and multiple forecasting horizons. I approximate the non-judgmental forecasts by collecting a large panel of real-time data covering all relevant aspects of the economy and using a statistical model to produce predictions. I use factor analysis to identify three dimensions that together capture about 50% of forecasters’ sentiment. I find that sentiment is indeed multidimensional, with the first dimension explaining only about a fifth of its variation. I furthermore find that each dimension has a distinct macroeconomic impact, supporting my hypothesis. My results also indicate that the survey forecasts are not always rational.

International audience; Flight Dynamics aims at studying the motion of an aircraft modelled as a solid. The equations of motion are gathered in a dynamical system of coupled Ordinary Differential Equations. Classically, behaviours of the aircraft are linked to equilibria of this system, and bifurcation theory is used. In the dynamical system, the forces and the moments from the fluid on the aircraft rely on models with a chosen structure, constructed with data coming from experiments. These models are therefore uncertain. It had be shown that the uncertainties of these models can have influence on some equilibria, notably on their stability. In this paper, a joint Uncertainty Quantification and Global Sensitivity Analysis study is conducted on the temporal evolution of a given predicted behaviour of a light aircraft. As different combinations of the uncertain parameters can lead to instability of the behaviour and other combinations to stability, the state variables of the dynamical system can present some irregularities or some discontinuities with respect to the uncertain parameters at a given instant. In this paper, a method to estimate Sobol indices of a solution of an Ordinary Differential Equation approximated with a multi-element polynomial chaos model is therefore used. It relies on two upcoming papers. The first paper presents a method relying on Machine learning methods to get a multi-element polynomial chaos model for a non-time dependent Quantity of Interest. The second one extends the analytical formula between the Sobol indices and the coefficients of a polynomial chaos surrogate model to the case of a multi-element polynomial chaos model. In the present paper, the time-dependent extension of the multi-element model is introduced. The analytical formula permits to find Sobol indices from the coefficients of the local polynomial models at every considered instants. Conversely to standard polynomial chaos models, the use of a multi-element model permits to accurately approximate solutions of Ordinary Differential Equation with bifurcations, being irregular or discontinuous with respect to the input parameters at some instants. This approach is then used to conduct the sensitivity study on the state variables of an aircraft behaviour predicted by the Flight Dynamics system.; La Quantification d’incertitude a pour but d’étudier l’impact de certains paramètres sur une Quantité d’intérêt (QOI). Les paramètres sélectionnés sont nommés les paramètres d’entrée. Ils sont supposés aléatoires, indépendants, et sont supposés suivre une loi de distribution stochastique de densité de probabilité connue. Les indices de Sobol, reposant sur la définition des variances partielles, classent les actions des paramètres d’entrée et les interactions entre ces paramètres d’après leur impact sur la QOI. Les indices donnent également un aspect quantitatif de ces impacts. Les indices de Sobol au premier ordre et les indices de Sobol totaux peuvent être estimés avec des méthodes de Monte-Carlo, mais nécessitent souvent un grand nombre de simulations. Approchant la relation entre le QOI et les paramètres d’entrée utilisant un méta-modèle par chaos polynomial avec le « generalised Polynomials Chaos » (gPC) framework permet d’établir un lien analytique entre les coefficients du métamodèle et les indices de Sobol. Une fois le métamodèle obtenu, les indices de Sobol sont accessibles. Néanmoins, les modèles par chaos polynomial ne sont pas précis en présence d’irrégularités ou de discontinuités. Un grand nombre de termes de la série est parfois nécessaire pour obtenir une précision acceptable, ce qui peut devenir problématique avec la célèbre malédiction de la dimensionnalité. De plus, le phénomène de Gibbs perdure et s’amplifie lorsque le degré de troncature de la série est augmenté alors que la QOI est discontinue.Les modèles multi-élément (ME) ont été développé pour résoudre ce problème. L’espace des paramètres, espace abstrait contenant toutes les valeurs possibles des paramètres d’entrée, est partitionné en sous-ensembles nommés éléments où la QOI est plus régulière et des modèles gPC locaux sont entrainés sur chacun de ces éléments. Le modèle global est donc un modèle par morceaux et contient une méthode afin de déterminer quel modèle local utiliser lors d’une évaluation. Néanmoins, avec ce modèle par morceaux, le lien analytique avec les indices de Sobol est perdu. Dans un article en cours d’écriture qui sera bientôt soumis, le lien analytique entre les indices de Sobol et les coefficients du chaos sera étendu dans les cas des modèles ME avec une QOI ne dépendant pas du temps. Dans cet article, une nouvelle approche est présentée. En premier lieu, les paramètres d’entrée subissent une bijection vers des nouvelles variables contenues dans l’hypercube unité. Ensuite, une matrice d’interaction contenant toutes les informations nécessaires pour obtenir les variances partielles et l’espérance est calculée. Les indices de Sobol sont ainsi accessibles à l’aide de cette matrice. Ce lien analytique entre les coefficients du métamodèle ME et les indices de Sobol est une extension de la formule effectuant le lien entre les indices de Sobol et les modèles gPC standards.Dans le présent article, nous étendons cette approche aux QOIs étant solutions de systèmes d’Équations Différentielles Ordinaires (ODE), et donc dépendantes du temps. La version dépendante du temps d’une nouvelle méthode ME appelée ME-ACD, développée dans un article qui sera également bientôt soumis, est utilisée. N’importe quelle méthode ME pourrait être utilisée à la place. La nouvelle approche est ainsi capable de donner une estimation des indices de Sobol avec un nombre de résolutions du système relativement bas, même si à un certain instant, la QOI est irrégulière ou discontinue (traduisant la présence de bifurcations) par rapport aux paramètres d’entrée. La précision de l’approche est étudiée sur plusieurs applications. Tout d’abord, une ODE classique est testée. Ensuite, la précision de la méthode est testée sur un système théorique modélisant l’apparition d’une bifurcation. En dernier lieu, l’approche est utilisée dans un cas pratique de Dynamique du vol.

La consommation et la distribution de l’alcool de fabrication locale firent l’objet de polémiques incessantes tout au long de la période coloniale en Nouvelle-Grenade. Cependant, durant la deuxième moitié du xviie siècle, le pouvoir essaya de donner à ce produit de consommation courante une légitimité d’autant plus souhaitable qu’il constituait une source de revenus non négligeable pour le trésor public. En effet, par ordre décroissant de rentabilité, le monopole de l’alcool sous différentes ...

L’Amérique latine et ses relations avec la péninsule ibérique. En hommage à Jean-Pierre Berthe, ces quarante-six contributions veulent donner de ce vaste ensemble, hétérogène sur le plan politique mais cohérent sur le plan culturel, une vision dynamique fondée sur la prise en compte de la longue durée. Le regard croisé d’historiens, de géographes, de sociologues, d’ethnologues et de linguistes permet de varier les approches scientifiques et de comparer des problématiques de recherche. Un outil de recherche qui offre au lecteur curieux mille sujets de réflexion.

A non-intrusive method to get a multi-element polynomial chaos model is developed. This method is called ME-ACD, for Multi-Element based on Agglomerative Clustering on Derivatives. It aims at approximating a Quantity of Interest which presents discontinuities or irregularities making it difficult to be accurately approximated by standard Polynomial Chaos models. The method permits to efficiently split the parameter space and to train local polynomial models of lower degrees on every element where the local pieces of the Quantity of Interest are smoother. The algorithm is based on agglomerative clustering of the observations in a well-chosen abstract space taking into account the value of the Quantity of Interest and of its derivatives with respect to the stochastic input parameters. The same observations are used for both partitioning the space and training the local models. Several partitions of the parameter space are tested, and the one leading to local models minimizing a crossvalidation error is selected. Once the training observations are labelled with a class number indicating the element they are located in, a neural network classifier is trained to determine which local model to use for further evaluations. The method has proven to efficiently split the parameter space for a set of applications and the piecewise chaos model is compared with a standard Polynomial Chaos non-intrusive method and a Gradient Tree Boosting in terms of accuracy.; Une méthode non-intrusive ayant pour but d’obtenir un modèle par chaos polynomial multi-élément est développée. La méthode se nomme ME-ACD, acronyme Anglais signifiant « méthode multi-élément basée sur la classification hiérarchique ascendante des dérivées ». Le modèle a pour objectif d’approcher les Quantités d’intérêt présentant des discontinuités et/ou des irrégularités altérant la précision des modèles par chaos polynomial standards qui l’approchent. La méthode permet de partitionner efficacement l’espace des paramètres et d’entrainer des méta-modèles par chaos polynomial locaux de degrés inférieurs sur chaque sous-ensemble de l’espace des paramètres où les morceaux de la Quantité d’intérêt est plus régulière localement. L’algorithme repose sur le regroupement hiérarchique ascendant des observations représentées par des points dans un espace abstrait prenant en compte la valeur de la Quantité ainsi que les valeurs de ses dérivées par rapport aux paramètres d’entrée stochastiques. Les mêmes observations sont utilisées pour la partition de l’espace et pour l’entrainement des modèles locaux. Plusieurs partitions de l’espace sont testées, et celle menant à des modèles locaux minimisant une erreur de validation croisée est sélectionnée. Une fois que les observations d’entrainement sont associées à un numéro indiquant dans quel élément elles sont localisées, un réseau de neurones est entrainé pour déterminer quel modèle local sera utilisé pour les évaluations à venir. L’efficacité de la méthode est montrée sur un ensemble d’applications et la précision du modèle par morceaux est comparée avec celle d’un modèle par chaos polynomial standard obtenu par une méthode non-intrusive et celle d’un modèle « Gradient Tree Boosting ».