Supplemental Appendix for “Does the Use of Imported Intermediates Increase Productivity? Plant-Level Evidence” (NOT FOR PUBLICATION)
Notice bibliographique
Résumé
1.1 The issue of selection in the LP approach In this section we outline how we control for endogeneous selection while using LP intermediate proxy approach. The idea is essentially the same as the one used in Olley and Pakes (1996); namely, we first identify the state variables that are relevant for endogneous exiting decisions and approximate the survival probabilities using the polynomials in the observable variables. Then, we can control for the endogenous exiting decision by including the polinomials in the survival probabilities when the moment conditions are constructed. First, the state variables that are relevant for the plant exit decision are the predetermined level of capital kit and the past import decision di,t−1. The model in section 2 implies that a plant chooses to continue to produce if the current realization of productivity term ωit is higher than the threshold value ωt(kit, di,t−1). One might think that the intermediate proxy approach is not applicable to control for the selection bias because we cannot “recover ” ωit from observables given that we do not observe the current period intermediates if the plant chooses to exit. Note, however, that ωit follows the first order Markov process ωit = ξt + γdi,t−1 + ωi,t−1 + uit (equation (8) in the main text) and, thus, it is possible to approximate ωit using the observable variables (di,t−1, ωi,t−1), where ωi,t−1, in turn, can be proxied by the past value of intermediates, the past capital, and the past import decision so that ωi,t−1 = ω∗t−1(xi,t−1, ki,t−1, di,t−1) (equation (10) in the main text).
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 | 0,003 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,657 | 0,173 |
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 ».