Analysis of impacts of inflation on the distribution of household consumption expenditures
Notice bibliographique
Résumé
Abstract As a consequence of the COVID‐19 pandemic of early 2020, production in the United States, as in much of the world, largely came to a standstill. Unemployment in the United States quickly rose from 3.5% in February to 13.2% in May, quarter‐to‐quarter GDP fell 7.8%, and substantial transfers were enacted to maintain household income. The resulting mismatch between aggregate supply and demand not surprisingly ignited an inflation that by early 2022 had reached a year‐over‐year 40‐year high. The purpose of the present communication is to utilize a framework developed from data embodied in surveys of households’ consumer expenditures to analyze impacts of this inflation on separate categories of expenditure. The engine for the analysis, whose construction is described in detail by Taylor (2013, is a matrix of “intra‐budget” coefficients that represent the direct relationships amongst different categories of expenditure in households’ budgets. The elements of this matrix are constructed from the information in 58 quarters of data (2006 through 2019) from the ongoing BLS Survey of Consumer Expenditure to analyze effects and impacts on 16 categories of US household consumption expenditure of the 2021–2022 inflation. Principal findings include: expenditures for housing, transportation, gasoline and oil, and personal insurance consistently endure the largest impacts from inflation; real‐ income effects from inflation differ from those arising from a like cut in nominal income; not surprisingly, food expenditures are most impacted at low income.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».