MétaCan
Menu
Retour à la cohorte
Enregistrement W3123691457 · doi:10.1080/07350015.2018.1497507

Dynamic Effects of Credit Shocks in a Data-Rich Environment

2018· article· en· W3123691457 sur OpenAlexaff
Jean Boivin, Marc Giannoni, Dalibor Stevanović

Notice bibliographique

RevueJournal of Business and Economic Statistics · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMonetary Policy and Economic Impact
Établissements canadiensCenter for Interuniversity Research and Analysis on OrganizationsUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésCounterfactual thinkingEconomicsRecessionShock (circulatory)Monetary economicsGreat recessionEconometricsMonetary policyInterest rateIdentification (biology)Offset (computer science)Bond marketReal economyMacroeconomicsKeynesian economics

Résumé

récupéré en direct d'OpenAlex

We examine the dynamic effects of credit shocks using a large dataset of U.S. economic and financial indicators in a structural factor model. An identified credit shock resulting in an unanticipated increase in credit spreads causes a large and persistent downturn in indicators of real economic activity, labor market conditions, expectations of future economic conditions, a gradual decline in aggregate price indices, and a decrease in short- and longer-term riskless interest rates. Our identification procedure allows us to perform counterfactual experiments which suggest that credit spread shocks have largely contributed to the deterioration in economic conditions during the Great Recession. Recursive estimation of the model reveals relevant instabilities since 2007 and provides further evidence that monetary policy has partly offset the effects of credit shocks on economic activity. Supplementary materials for this article are available online.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,103
Score d'incertitude au seuil0,651

Scores Codex et Gemma par catégorie

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

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 Opus0,039
Tête enseignante GPT0,235
Écart entre enseignants0,196 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Business and Economic StatisticsMême sujetMonetary Policy and Economic ImpactTravaux en français237 207