MétaCan
Menu
Retour à la cohorte
Enregistrement W2885801041 · doi:10.1111/opec.12126

Asymmetric effects of the<scp>WTI</scp>crude oil price on unemployment rates: a comparative study of Canadian provinces and the United States

2018· article· en· W2885801041 sur OpenAlexaffabout
Young Cheol Jung, Anupam Das

Notice bibliographique

RevueOPEC Energy Review · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMarket Dynamics and Volatility
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésEconomicsUnemploymentWest Texas IntermediateGranger causalityOil priceBoomSample (material)Crude oilDemographic economicsEconometricsMonetary economicsMacroeconomicsChemistryEnvironmental scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Since 2014, Canada has been experiencing a higher unemployment rate due to a slump of the crude oil price. Using a monthly data set of the West Texas Intermediate (WTI) crude oil spot price and unemployment rates of Canadian provinces and theUnited Statesfrom January 1976 to October 2016, we examine the asymmetric effects of oil price on unemployment rates. Specifically, we split the sample into the pre‐technological boom (January 1976 to March 1995) and post‐technological boom periods (April 1995 to October 2016) and analyse whether the asymmetric effects are discernible in these two periods. This is done by applying the ordinary least squares regressions and Granger causality tests. Our findings confirm the asymmetric effects for the full sample in theUnited States. In Canada, the negative and asymmetric relationship is conspicuous particularly in the post‐tech period, and this relationship is more prominent in three oil‐producing Canadian provinces namely Alberta, Saskatchewan and Newfoundland & Labrador. It is noticeable that both in Canada and in the three provinces, the falling oil price affects unemployment adversely only in the post‐tech period. Granger causality tests support the short‐run causal relationships between changes in oil price and unemployment rate in the post‐tech period.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,011
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,027
Tête enseignante GPT0,248
Écart entre enseignants0,221 · 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

Citations4
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOPEC Energy ReviewMême sujetMarket Dynamics and VolatilityTravaux en français237 207