MétaCan
Menu
Retour à la cohorte
Enregistrement W4289549916 · doi:10.1111/1540-6229.12405

Who benefits the most? Risk pooling in mortgage loan insurance: Evidence from the Canadian mortgage market

2022· article· en· W4289549916 sur OpenAlex
Kiana Basiri, Babak Mahmoudi, Chenggang Zhou

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueReal Estate Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensCanada Mortgage and Housing CorporationToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésMortgage insuranceLoan-to-value ratioLeverage (statistics)Mortgage underwritingEconomic rentShared appreciation mortgageSecondary mortgage marketEconomicsCounterfactual thinkingAsset (computer security)LoanPoolingMonetary economicsRentingWelfareFinanceInsurance policyKey person insuranceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract This article evaluates the effect of mortgage loan insurance (MLI), an essential macroprudential tool available to policy makers, on housing affordability, household leverage, and the overall welfare of the economy. A dynamic model of the housing market with heterogeneous households and competitive housing and mortgage markets is constructed and is calibrated to Canadian data. We find that relaxing the mandatory nature of MLI required for mortgages with a loan‐to‐value ratio of 80% or more, in favor of a counterfactual system where MLI reflects credit risks, dampens demand for housing to purchase and puts downward pressure on house prices. Some of the households with low income and low asset holdings can no longer afford a house; therefore, the aggregate homeownership rate drops. In contrast, demand for rental units increases and rents go up.

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.

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)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
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 enseignants0,085
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,030
Tête enseignante GPT0,206
Écart entre enseignants0,177 · 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