MétaCan
Menu
Retour à la cohorte
Enregistrement W1562025133 · doi:10.34989/sdp-2009-7

Household Debt, Assets, and Income in Canada: A Microdata Study

2021· preprint· en· W1562025133 sur OpenAlexaffabout
Césaire Meh, Yaz Terajima, David Xiao Chen, Thomas J. Carter

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensBank of Canada
Organismes subventionnairesU.S. Department of the Treasury
Mots-clésMicrodata (statistics)Household debtDebtFinancial stabilityEconomicsHousehold incomeMonetary economicsDemographic economicsBusinessFinancial systemFinanceGeographyPopulation

Résumé

récupéré en direct d'OpenAlex

The authors use microdata from the 1999 and 2005 Surveys of Financial Security to identify changes in household debt, and discuss their potential implications for monetary policy and financial stability. They document an increase in the debt-income ratio, which rose from 0.75 to 0.95, on average. Rising debt ratios were driven by a 50 per cent increase in mortgage balances among the middle-aged, a doubling of credit card debt among households over 55, and a fourfold increase in home equity lines of credit among small business owners and households without high school diplomas. The authors identify rising debt-income ratios among households in the bottom income quintile as the most important development of the years 1999 through 2005, signalling greater sensitivity to rising interest rates or negative income shocks – particularly among income-poor homeowners, whose 2005 mortgage obligations totalled 72 per cent of income. Meanwhile, an increase in the portfolio share for which real estate accounts, particularly among the middleaged, suggests that household balance sheets have become more sensitive to changes in the housing market. In addition to poor households, the authors identify former bankrupts, younger households, and the self-employed as more indebted and hence at greater risk.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,119
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,216
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207