MétaCan
Menu
← Retour à la cohorte
Enregistrement W2120263258 · doi:10.34989/swp-2001-14

L'effet de la richesse sur la consommation aux États-Unis

2021· preprint· fr· W2120263258 sur OpenAlexaff
Yanick Desnoyers

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typepreprint
Languefr
DomaineEconomics, Econometrics and Finance
ThématiqueMonetary Policy and Economic Impact
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

La forte augmentation de la richesse au cours de la deuxième moitié des années 1990 a généré l'équivalent d'un certain montant d'épargne et, du même coup, un glissement important du taux d'épargne des ménages. Dans la présente étude, l'auteur tente d'expliquer cette baisse importante du taux d'épargne observée depuis 1995. Pour ce faire, il utilise la méthodologie de King, Plosser, Stock et Watson (King et coll. 1991). Contrairement aux résultats obtenus par plusieurs autres études, les résultats de la présente montrent que l'effet de la richesse sur la consommation est de nature transitoire plutôt que permanente et qu'il s'estompe relativement vite. La méthodologie utilisée permet de prendre en compte l'endogénéité des variables du modèle, tout en identifiant la réaction de la consommation à des chocs permanents de revenu, de richesse boursière et de richesse immobilière. Elle permet également de calculer la propension marginale des ménages à consommer la richesse boursière, qui se situe aux environs de 5,8 %. Par conséquent, environ la moitié de la baisse du taux d'épargne observée à partir de 1995 s'expliquerait par la hausse impressionnante de la richesse boursière au cours de cette période. L'autre moitié, quant à elle, serait plutôt imputable à la hausse de la richesse immobilière et de la propension marginale à consommer le revenu.

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)0,005
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,029
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0250,001

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 Opus0,068
Tête enseignante GPT0,312
Écart entre enseignants0,243 · 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'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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

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