Monetary Policy Under Uncertainty: Practice Versus Theory
Notice bibliographique
Résumé
For central banks, conducting policy in an environment of uncertainty is a daily fact of life. This uncertainty can take many forms, ranging from incomplete knowledge of the correct economic model and data to future economic and geopolitical events whose precise magnitudes and effects cannot be known with certainty. The objective of this paper is to summarize and compare the main results that have emerged in the literature on optimal monetary policy under uncertainty with actual central bank behaviour. To this end, three examples are studied in which uncertainty played a significant role in the Bank of Canada’s policy decision, to see how closely they align with the predictions from the literature. Three principles emerge from this analysis. First, some circumstances—such as when the policy rate is at risk of being constrained by the effective lower bound—should lead the central bank to be more pre-emptive in moving interest rates, whereas others can rationalize more of a wait-and-see approach. In the latter case, the key challenge is finding the right balance between waiting for additional information and not falling behind the curve. Second, the starting-point level of inflation can matter for how accommodative or restrictive policy is relative to the same situation without uncertainty, if there are thresholds in the central bank’s preferences associated with specific ranges for the target variable, such as the risk of inflation falling outside of the inflation control range. Third, policy decisions should be disciplined, where possible, by formal modelling and simulation exercises in order to support robustness and consistency in decision making over time. The paper concludes with a set of suggested areas for future research.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».