Regime Switches in GDP Growth and Volatility: Some International Evidence and Implications for Modelling Business Cycles
Notice bibliographique
Résumé
This paper has three main objectives. First, we re-examine some recent findings that suggest a structural decline in the variance of GDP growth in the United States. We estimate a univariate model in which both the mean growth rate of GDP and its variance are influenced by latent state variables that follow independent Markov chain processes. We are particularly interested in evidence of increased stability in the U.S. economy, either because of reduced volatility or a narrower gap between growth rates in expansions and recessions. Second, we investigate whether a similar phenomenon has occured in other countries. Finally, we explore the extent to which this more general model is better able to describe the shape of actual business cycles. We find evidence of a reduction in GDP volatility in U.S. data, beginning in late 1984. However, it is less clear that this change represents a structural break. The recent U.S. recession has reduced the probability of being in the low-variance state. Using data from Australia, Canada, Germany, Japan and the United Kingdom, we find evidence of a similar reduction in volatility of GDP growth. The shift for Japan apparently happened in about 1974, and the past decade's poor economic performance seems to have brought a return to the high-variance state. Apart from Germany, the variance reductions in the other countries all occurred within a ten year period between the early 1980's and the early 1990's. Finally, when we test for non-linear effects using Bayes factors, we find that allowing for a switching variance is much more important than a switching mean. Although the hypothesis of homoscedasticity is overwhelmingly rejected, there is little evidence that this model is better able to capture the shape of actual business cycles.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».