MétaCan
Menu
Retour à la cohorte
Enregistrement W4211170291 · doi:10.1017/9781108367677.005

Other People’s Money: The Australian Land Boom

2020· book-chapter· en· W4211170291 sur OpenAlexaboutno aff
William Quinn, John D. Turner

Notice bibliographique

RevueCambridge University Press eBooks · 2020
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHistorical Economic and Social Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBoomReal estateLiberalizationEconomic bubbleRecessionEconomicsQuarter (Canadian coin)FellEconomyMarket economyBusinessFinanceMonetary economicsGeographyKeynesian economicsEngineering

Résumé

récupéré en direct d'OpenAlex

Chapter 5 examines the bubble that occurred in Australia in the late 1880s. During 1887 and 1888, there was a major bubble in the price of suburban land, particularly in Melbourne. In addition, companies involved in the financing and development of urban land were created at this time and during the first half of 1888, their share prices doubled. After the peak in October 1888, the share prices of these companies and urban land prices fell sharply. We then explain why it took several years for the liquidation of the land boom to affect the wider economy. The chapter then moves on to discuss how the bubble triangle explains this episode. In particular, this was the first major bubble where investors were speculating with other people’s money, provided ultimately by the country’s banks. The spark which ignited the land boom was the liberalisation in 1887 of the restriction on banks’ lending on the security of real estate. This was the final act in a 25-year liberalisation process. The chapter concludes by examining the dire consequences of the bubble. In 1893, the Australian banking system collapsed and, as a result, Australia experienced a very long and deep economic recession

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,071
Score d'incertitude au seuil0,141

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,002
Communication savante0,0030,003
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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 Opus0,044
Tête enseignante GPT0,181
Écart entre enseignants0,137 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetHistorical Economic and Social StudiesTravaux en français237 207