How well do Markov switching models describe actual business cycles? The case of synchronization
Notice bibliographique
Résumé
Abstract The objective of this paper is to evaluate the effectiveness of using a Markov switching model to measure the synchronization of business cycles. We use a Bayesian, Gibbs sampling approach to estimate a multivariate Markov switching model of GDP growth for several countries. We look for evidence of synchronization across countries in the sense of common Markov states, covariance of impulses and a long‐run co‐integrating relationship. We then use the fitted data implied by the posterior distribution of the Markov switching VAR, in conjunction with a dating rule, to obtain the posterior distribution of binary business cycle states. We use these to investigate the posterior distributions of non‐parametric measures of synchronization described by Harding and Pagan ( 2003 ) and compare them with similar measures obtained from standard reference chronologies. As a point of reference, we repeat this exercise using simulated data from a linear VAR. We find no evidence of a common Markov state, but some evidence of the propagation of country‐specific disturbances across countries and of a co‐integrating relationship between the United States and Canada. Posterior odds ratios overwhelmingly favour the Markov switching model over the linear VAR and we find that the posterior distributions of the non‐parametric measures of synchronization produced by the Markov switching VAR match the data more closely than those produced by the linear VAR. Copyright © 2005 John Wiley & Sons, Ltd.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».