Le tecniche di Machine learning o apprendimento automatico stanno diventando sempre più valutate dalla comunità accademica e, allo stesso tempo, utilizzate dalle istituzioni di politica economica, come le banche centrali o i governi. Un numero tematico (Special issue) del Journal of Econometrics mira a presentare una ricerca d'avanguardia che si trova all'intersezione tra il machine learning e la politica economica.

Ci sono buone ragioni per cui i policy makers dovrebbero utilizzare queste nuove tecniche. Modelli basati su alberi o reti neurali artificiali, spesso in combinazione con fonti di dati nuove e ricche, come testo o indicatori ad alta frequenza, possono fornire accuratezza nelle previsioni e informazioni che i modelli standard non possono fornire. Ad esempio, il machine learning può scoprire nonlinearità potenzialmente sconosciute ma importanti all'interno del processo di generazione dei dati. Inoltre, l'elaborazione del linguaggio naturale (o Natural Language Processing) - resa possibile dai progressi del machine learning - sta sempre più venendo applicata per comprendere meglio il sistema economico che i policy makers devono valutare.

Questo numero tematico del Journal of Econometrics (JoE) è organizzato congiuntamente da importanti istituzioni di policy e università. Lo scopo è coprire una vasta gamma di problemi in cui approcci di machine learning e fonti di dati nuove vengono applicati a situazioni rilevanti per la formulazione di politiche economiche. Coprirà una serie di applicazioni e contributi metodologici come il deep learning, l'analisi del testo, il reinforcement learning, l'identificazione degli shock o dei trattamenti, la previsione e il nowcasting, nonché diversi approcci relativi alla interpretazione dei modelli e all'inferenza.

È essenziale che la dimensione della policy nei lavori di ricerca accettati sia significativa e integrante al contributo di ciascun articolo. Pertanto, non è sufficiente che la rilevanza delle politiche in questi documenti sia limitata a un'illustrazione empirica. Le applicazioni, i case studies o gli esperimenti devono mostrare chiaramente come gli spunti derivati da essi possono aiutare il policy maker. È anche importante notare che saranno applicati i rigorosi standard editoriali del Journal of Econometrics. Pertanto, ad esempio, i metodi devono essere presentati chiaramente e rigorosamente e tutte le ipotesi e le condizioni sottostanti devono essere esplicitamente e attentamente descritte.

Se avete lavori di ricerca che coprono sia l'aspetto metodologico che quello delle politiche descritto sopra, vi invitiamo a proporlo allo Special Issue "Machine Learning for Economic Policy" su Editorial Express.

La scadenza per la presentazione dei lavori il 31, Maggio 2023. Gli articoli verranno processati subito dopo la presentazione.

Handling editor (JoE): Serena Ng (Columbia University)

Guest associated editors: Maryam Haghighi (Bank of Canada), Andreas Joseph (Bank of England), George Kapetanios (King's College London), Christopher Kurz (Federal Reserve Board), Michele Lenza (Banca Centrale Europea), Juri Marcucci (Banca d'Italia)