贝叶斯向量自回归已被中央银行用于编制季度GDP和其他宏观经济变量的短期预测。贝叶斯方法的优点是，研究人员可以使用先验知识来指定…的先验分布…

印度孟买的居民被要求在推特上发布有关他们社区洪水的详细信息。研究人员希望这将改善预测和救援工作。

近几十年来，对受过多学科高等教育的员工的需求不断增加。近年来，塞缪尔·尼曼研究所对科技人力资源需求的技术预测进行了研究。我们的研究得出结论，为了满足新兴产业对人力资源的需求，有必要扩大和深化多学科的学术研究 这项研究的目的是对以色列的多学科学术研究进行测绘和概述，研究在哪些领域需要多学科培训，存在哪些障碍，并提出政策建议 ，本研究的方法包括：

我们恢复了Schorfheide和Song（2015，JBES）开发的混合频率向量自回归（MF-VAR），以实时生成新冠肺炎大流行期间美国的宏观经济预测。该模型结合了以两个频率观测到的11个时间序列：季度和月度。考虑到新冠肺炎疫情，我们故意不修改模型规范，只是将危机观察排除在估计样本之外。我们将MF-VAR预测与专业预报员调查（SPF）的中值预测进行比较。虽然MF-VAR在2020年第二季度表现不佳，但随后的预测与SPF预测持平。我们表明，排除几个月的极端观测是处理VAR估计的一种很有前途的方法，可以替代对异常值的复杂建模。

SEI高级科学家Chuck A.Young解释了加州今年出现严重缺水的原因，以及更好的预测如何帮助缓解这些挑战。

2017年，美国国家气象局开始努力改革该机构，更好地为美国应对极端天气事件做好准备。该机构制定了20项改革举措，如自动发射气象气球，以腾出工作人员承担其他职责，并改善对应急管理人员和其他人员的服务

xml encoding=“UTF-8”-->我们回顾了美国地质调查局的地震灾害计划，该计划旨在减少地震和海啸等相关危险带来的威胁

本文将递归神经网络（RNN）方法应用于棉花和石油价格的预测。我们展示了机器学习的这些新工具，特别是长短期记忆（LSTM）模型，是如何补充传统方法的。我们的结果表明，机器学习方法与数据拟合得相当好，但在样本外预测方面并不优于系统经典方法，如自回归综合移动平均（ARIMA）或天真模型。然而，与任何一种方法相比，对这两种模型的预测进行平均可以提供更好的结果。与ARIMA和LSTM相比，棉花平均预测的均方根误差（RMSE）分别低0.21%和21.49%。对于石油，预测平均值并不能改善RMSE。我们建议使用预测平均法，并将我们的分析扩展到广泛的商品价格。

我们提出了一种使用随机森林模型提前一年预测冲突（定义为至少10人死亡的有组织暴力行为，持续12个月）的方法。当应用于测试数据时，该模型能够捕捉到未来冲突的86％。该模型的冲突信号是嘈杂的，其中一半的冲突预测代表误报。我们还探讨了水相关指标是否是预测冲突的有效指标。水相关变量被评估为与冲突结果相关，但并非对模型决策具有实证意义。然而，通过调整冲突的定义，例如降低死亡阈值或仅研究新兴冲突，可以增加水变量的重要性。一个基于网络的工具容纳了该模型，使用户能够通过时间和空间探索预测和指标，提供有关潜在脆弱性的基础信息，作为实现及时有效的水资源相关干预措施以减轻冲突和/或建立和平的第一步。

我们使用具有异方差的动态面板Tobit模型来生成短截尾观测的大截面的点、集和密度预测。我们的完全贝叶斯方法使我们能够灵活地估计异质系数的横截面分布，然后像以前一样隐式地使用该分布来构建单个时间序列的贝叶斯预测。我们构建了明确针对横截面的平均覆盖概率的集合预测。我们提出了一个新的应用程序，通过比较不同版本的面板Tobit模型，预测银行层面的信用卡和住宅房地产贷款的冲销率。