CIBLAGE D’INFLATION ET PERFORMANCE MACROÉCONOMIQUE : NOUVELLE APPROCHE, NOUVELLE RÉPONSE
Notice bibliographique
Résumé
Ce papier se veut une contribution au débat quant à l’efficacité, en termes de performance économique, du régime de ciblage d’inflation en s’appuyant sur une analyse statistique descriptive et comparative de l’inflation et de la croissance économique appuyée par une analyse économétrique des doubles différences (differences-in-differences approach) pour différents échantillons. Un résultat important de ce travail est qu’on réconcilie les deux courants de la littérature, celui qui est en faveur du ciblage d’inflation et celui qui ne l’est pas. Plus précisément, nous montrons que le ciblage d’inflation est plus efficace dans le cas des pays émergents où l’inflation est toujours un défi d’actualité. Dans ce type de pays, cette politique monétaire assure la stabilité des prix avec une croissance soutenable. Cependant, pour le cas des pays industrialisés, nos résultats montrent que cette politique monétaire sacrifie la croissance économique au profit de la stabilité des prix. Ce dernier résultat s’avère important justifiant de ce fait les critiques de Stiglitz (2008) et de Blanchard et al. (2010) où ce régime monétaire a contribué à la grande dépression suivant la crise des subprimes.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».