MétaCan
Menu
Retour à la cohorte
Enregistrement W3122952534 · doi:10.3386/w17651

Do Mood Swings Drive Business Cycles and is it Rational?

2011· preprint· en· W3122952534 sur OpenAlexfundno aff
Paul Beaudry, Deokwoo Nam, Jian Wang

Notice bibliographique

RevueNational Bureau of Economic Research · 2011
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMarket Dynamics and Volatility
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésPessimismOptimismBusiness cycleFeelingEconomicsShock (circulatory)MoodRational expectationsMood swingIdentification (biology)PsychologyTotal factor productivityVariance (accounting)Sign (mathematics)RationalityEconometricsMonetary economicsSocial psychologyProductivityKeynesian economicsMacroeconomicsMathematicsPolitical science

Résumé

récupéré en direct d'OpenAlex

This paper provides new evidence in support of the idea that bouts of optimism and pessimism drive much of US business cycles. In particular, we begin by using sign-restriction based identification schemes to isolate innovations in optimism or pessimism and we document the extent to which such episodes explain macroeconomic fluctuations. We then examine the link between these identified mood shocks and subsequent developments in fundamentals using alternative identification schemes (i.e., variants of the maximum forecast error variance approach). We find that there is a very close link between the two, suggesting that agents' feelings of optimism and pessimism are at least partially rational as total factor productivity (TFP) is observed to rise 8-10 quarters after an initial bout of optimism. While this later finding is consistent with some previous findings in the news shock literature, we cannot rule out that such episodes reflect self-fulfilling beliefs. Overall, we argue that mood swings account for over 50% of business cycle fluctuations in hours and output.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,708
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,286
Tête enseignante GPT0,425
Écart entre enseignants0,139 · 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 tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
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

Citations15
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetMarket Dynamics and VolatilityTravaux en français237 207