Does the Length of the Period Matter for the Identification and the Modelling of Monetary Policy Shocks
Notice bibliographique
Résumé
In this Paper, we ask whether our empirical and theoretical knowledge about the effect of monetary policy shocks is robust to the choice of the period length. We think that such a question is particularly relevant in the monetary literature, as frictions are often introduced under the form of a one-period lag in agents' reaction. We first show that it is possible to use more efficiently the available information when identifying monetary policy shocks. Using together quarterly series for GDP and monthly series for monetary aggregates and interest rates, it is possible to identify monetary shocks with the assumption that they do not have any impact on GDP within a month, by restricting ourselves to the identification of third-month-of-a-quarter shocks. With this new method, we obtain very similar estimated IRFs, as compared with the results obtained with quarterly data, although the price puzzle appears to be more pronounced in our estimates. Such a similarity is a new fact that quantitative models need to match. In the second part of the Paper, we propose a model-based explanation for this result, by computing a limited participation model predictions, when the time period is reduced from one quarter to one month, and when the model predictions are time-aggregated at the quarterly frequency. We show that the introduction of adjustment costs to portfolio reallocation into the model is not only improving its fit, but is necessary for obtaining qualitatively realistic predictions, when the length of the period is thought to be the month and not the quarter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».