MétaCan
Menu
← Retour à la cohorte
Enregistrement W1603778359 · doi:10.34989/swp-2000-6

Some Explorations, Using Canadian Data, of the S-Variable in Akerlof, Dickens, and Perry (1996)

2021· preprint· en· W1603778359 sur OpenAlexaffabout
Seamus Hogan, Lise Pichette

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMonetary Policy and Economic Impact
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésEconomicsPhillips curveUnemploymentKeynesian economicsInflation (cosmology)Rigidity (electromagnetism)WageVariable (mathematics)Monetary economicsMacroeconomicsLabour economics

Résumé

récupéré en direct d'OpenAlex

A number of authors have suggested that economies face a long-run inflation-unemployment trade-off due to downward nominal-wage rigidity. This theory has implications for the nature of the short-run Phillips curve when wage inflation is low. Akerlof, Dickens and Perry have developed an empirical model in which a variable (S) designed to capture the effect of downward nominal-wage rigidity is constructed as part of the estimation of the short-run Phillips curve. Adding this variable dramatically improves the dynamic out-of-sample inflation forecasts of the curve in both the United States and Canada. In this paper we perform a variety of tests using both real and constructed data to address whether the addition of S truly does provide a better estimate of the short-run Phillips curve, and whether this constitutes evidence that downward nominal-wage rigidity increases the natural rate of unemployment in times of low wage inflation. Our main conclusion is that the performance of the S-enhanced Phillips curve in dynamic simulations is independent of whether downward nominal-wage rigidity is an important feature of the macroeconomy.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,123
Score d'incertitude au seuil0,247

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,032
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0070,023
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,191
Tête enseignante GPT0,312
Écart entre enseignants0,121 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in Economics→Même sujetMonetary Policy and Economic Impact→Travaux en français237 207→