MétaCan
Menu
Retour à la cohorte
Enregistrement W2259377864 · doi:10.34989/sdp-2015-14

Quantitative Easing as a Policy Tool Under the Effective Lower Bound

2021· preprint· en· W2259377864 sur OpenAlexaff
Abeer Reza, Eric Santor, Lena Suchanek

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMonetary Policy and Economic Impact
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésQuantitative easingMonetary policyBalance sheetMonetary economicsStimulus (psychology)EconomicsZero lower boundForward guidanceAsset (computer security)Central bankInflation targetingFinanceComputer scienceCredit channelComputer securityPsychology

Résumé

récupéré en direct d'OpenAlex

This paper summarizes the international evidence on the performance of quantitative easing (QE) as a monetary policy tool when conventional policy rates are constrained by the effective lower bound (ELB). A large body of evidence suggests that expanding the central bank’s balance sheet through large-scale asset purchases can provide effective stimulus under the ELB. Transmission channels for QE are broadly similar to those of conventional policy, notwithstanding some important but subtle differences. The effectiveness of QE may be affected by imperfect pass-through to asset prices, possible leakage through global capital reallocation, a reduced impact through the bank lending channel, and diminishing returns to additional rounds of QE. Although the benefits of QE appear, so far, to outweigh the costs, at some point this may be reversed. The exact “effective quantitative bound” where the costs of QE become larger than the benefits is as yet unknown. The summary of the evidence, however, suggests that QE is indeed an “adequate” substitute for monetary policy at the ELB, rather than a “perfect” one.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,250
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,005

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 Opus0,049
Tête enseignante GPT0,272
Écart entre enseignants0,223 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetMonetary Policy and Economic ImpactTravaux en français237 207