MétaCan
Menu
Retour à la cohorte
Enregistrement W3123443502 · doi:10.3386/w21902

Cost-Benefit Analysis of Leaning Against the Wind

2016· preprint· en· W3123443502 sur OpenAlexaff
Lars E.O. Svensson

Notice bibliographique

RevueNational Bureau of Economic Research · 2016
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésCost analysisMeteorologyEnvironmental scienceOperations researchComputer scienceEngineeringGeography

Résumé

récupéré en direct d'OpenAlex

A simple and transparent framework for cost-benefit analysis of "leaning against the wind" (LAW), that is, tighter monetary policy for financial-stability purposes, is presented. LAW has obvious costs in the form of a weaker economy if no crisis occurs and possible benefits in the form of a lower probability and smaller magnitude of (financial) crises. A second cost-less obvious, overlooked by previous literature, but higher-is a weaker economy if a crisis occurs. For representative empirical benchmark estimates and reasonable assumptions the result is that the costs of LAW exceed the benefits by a substantial margin. The result is robust to alternative assumptions and estimates. A higher probability, larger magnitude, or longer duration of crisestypical consequences of ineffective macroprudential policy-all increase the margin of costs over benefits. To overturn the result, policy-interest-rate effects on the probability and magnitude of crises need to be more than 5-40 standard errors larger than the benchmark estimates.

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)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge 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 enseignants0,600
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,000
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)0,0010,000

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 Opus0,612
Tête enseignante GPT0,493
Écart entre enseignants0,119 · 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

Citations18
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetClimate Change Policy and EconomicsTravaux en français237 207