MétaCan
Menu
Retour à la cohorte
Enregistrement W3208995940 · doi:10.3386/w29392

Inflation, Interest, and the Secular Rise in Wealth Inequality in the U.S.: Is the Fed Responsible?

2021· report· en· W3208995940 sur OpenAlexfundno aff
Edward N. Wolff

Notice bibliographique

RevueNational Bureau of Economic Research · 2021
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesYork University
Mots-clésEconomicsInequalityInflation (cosmology)Real interest rateMonetary economicsInterest rateSecular variationEconometricsMathematicsDemographyPhysics

Résumé

récupéré en direct d'OpenAlex

Two hallmarks of U.S. monetary policy since the 1981-1982 recession have been declining interest rates and moderation in inflation.Coincident with these trends has been a surge in U.S. wealth inequality, with the Gini coefficient up by 0.070 between 1983 and 2019.This paper analyzes the connection between these two developments on the basis of the Survey of Consumer Finances.Contrary to expectations, the paper finds that these two monetary effects have reduced wealth inequality rather than increasing it.The effect is sizeable, with the Gini coefficient declining by 0.045 over these years.Asset price changes and debt devaluation accounted for 72.6 percent of the advance of mean wealth over 1983-2019.They also would have led to a 204.9 percent gain in median wealth, compared to the actual rise of 23.4 percent.Moreover, they have helped lower the racial wealth gap rather than enlarging it.These results are at odds with previous literature in which estimates range from a weak negative effect on inequality to neutral, small positive, and strong positive.In terms of methodology, this paper differs from previous work by focusing on only the direct effects of interest rate changes and inflation on the household balance sheet.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,072
Score d'incertitude au seuil0,143

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,415
Tête enseignante GPT0,475
Écart entre enseignants0,061 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetFiscal Policy and Economic GrowthTravaux en français237 207