A Local-Spillover Decomposition of the Causal Effect of U.S. Defense Spending Shocks
Notice bibliographique
Résumé
This paper decomposes the causal effect of government defense spending into: (i) a local (or direct) effect, and (ii) a spillover (or indirect) effect.Using state-level defense spending data, we show that a negative cross-state spillover effect explains the existing simultaneous findings of a low aggregate multiplier and a high local multiplier.We show that enlisting disaggregate data improves the precision of aggregate effect estimates, relative to using aggregate time series alone.Moreover, we compare two-step efficient GMM with two alternative moment weighting approaches used in existing research.There is substantial evidence that changes in U.S. national defense spending typically have a positive and less than one-for-one effect on U.S. national output. 1 Yet, estimates of this relationship using regional cross-sectional or panel data find larger effects of a region's defense spending on that region's output.2 The former is an aggregate effect while the latter is a local effect.The local effect of a treatment need not equal the treatment's aggregate effect in the presence of spillovers.For example, if there are negative spillovers across regions, then the local multiplier will likely provide an upwardly biased estimate of the aggregate effect of a policy.3 Our paper reconciles this discrepancy in a unified empirical framework.By leveraging both the cross-sectional and aggregate variation in a panel, we decompose the causal effect of govern- * The analysis set forth does not reflect the views of the Federal Reserve Bank of St. Louis or the Federal Reserve System.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,000 |
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.
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 ».