INTRODUCTION TO THE SPECIAL ISSUE: NEW APPROACHES TO LEARNING IN MACROECONOMIC MODELS
Notice bibliographique
Résumé
The research questions addressed by the literature on learning in macroeconomics can be classified into four categories: First, there are issues related to the convergence and stability under learning in models with unique rational expectations equilibria. Authors here are concerned mainly with the learnability of a rational expectations equilibrium, as a measure of that equilibrium's plausibility as an observed outcome in an actual economy. Second, there are issues related to convergence and stability under learning in models with multiple rational expectations equilibria. In this case, learnability serves as an equilibrium selection device, helping economists decide which equilibria are the more likely to be actually observed among the many that exist under rational expectations. A third set of issues involves the examination of transitional dynamics that accompanies the equilibrium selection process. Following some type of unexpected strcutural change or change in policy regime, for instance, economies necessarily must follow temporary transitional paths to a rational expectations equilibrium associated with the new reality. Learning is sometimes used to help model such transitional dynamics. Finally, there are issues related to the examination of learning dynamics that are intrinsically different, even asymptotically, from the dynamics of the rational expectations versions of the models. In these cases, the learning dynamics do not converge to the rational expectations fixed points, and (unexploitable) expectational errors persist indefinitely. Some authors have tried to make use of this possibility in order to build explanations of otherwise puzzling macroeconomic phenomena based on constantly changing expectations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 0,015 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».