EFFEKTIFIAS KEBIJAKAN MONETER, INFLATION TARGETING TERHADAP SHOCK PANDEMI COVID-19 : VAR ANALISIS
Notice bibliographique
Résumé
Penelitian ini fokus pada analisis mengenai reaksi kebijakan moneter yang dilakukan terhadap shock yang disebabkan oleh pandemi Covid-19. Kanada merupakan salah satu negara pelopor inflation targeting. Apakah kebijakan moneter dalam melakukan penargetan inflasi akan membuat perbedaan saat menghadapi shock pandemi?. Data yang digunakan adalah time series. Data diperoleh dari situs bank sentral Kanada (Bank of Canada) dengan variabel-variabelnya adalah suku bunga, inflasi dan gap output. Runtun waktu dari tahun 1993Q1 sampai dengan tahun 2021Q3. Estimasi menggunakan metode Vector Auto Regression (VAR), mengacu pada variabel-variabel yang terdapat di Taylor Rule. Analisis menyimpulkan bahwa Bank sentral melakukan kebijakan moneter untuk merespon shock perekonomian dengan aneka guncangan yang terjadi dari output (GDP), inflasi dan suku bunga. Kebijakan moneter bank sentral dalam hal ini adalah mengatasi guncangan output yang berakibat terhadap inflasi dikendalikan dengan cara mengendalikan suku bunga untuk terciptanya kestabilan moneter.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| 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 | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».