Do fiscal shocks explain bond yield in high- and low-debt economies?
Notice bibliographique
Résumé
Purpose The purpose of this study is to investigate how the uncertainty associated with fiscal policy, i.e. government expenditure and tax revenues, can affect the interest rates in a group of eleven countries, comprising high- and low-debt countries: Cyprus, Greece, Ireland, Italy, Portugal, Spain, Australia, Canada, Denmark, New Zealand and Norway. Design/methodology/approach The empirical analysis makes use of the structural VAR (SVAR) methodological approach, which allows us to decompose the effects of the contribution of shocks generated by each variable, as well as their transmission effects. Findings The empirical findings suggest that both demand and supply factors influence interest rates across their frequency spectrum. For the majority of high-debt countries, the course of the yields on their government bonds is driven mainly by supply side factors and not demand (i.e. government expenses or taxes) factors. Research limitations/implications Given that the economies of certain (mostly small) countries are affected by economic conditions in large countries, especially when they have large capital flows or trade much with these countries, the future empirical analysis could also consider both domestic and international (control) macroeconomic variables to explain the course of interest rates due to fiscal changes. Originality/value The previous literature does not capture the financial crisis period, nor does it take a comparative approach – high debt versus low debt – to investigate the effect of fiscal shocks on interest rates. Thus, we aim to respond to the following questions: (1) How do fiscal shocks affect interest rates in the sample of selected countries? (2) How different is the impact of fiscal shocks on interest rates in high- and low-debt countries?
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».