MétaCan
Menu
← Retour à la cohorte
Enregistrement W4387120555 · doi:10.1093/oso/9780192871664.003.0009

Federal Government Approval in Canada

2023· book-chapter· en· W4387120555 sur OpenAlexaboutno aff
Éric Bélanger, Olivier Jacques

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAusterityPopularitySalience (neuroscience)Government (linguistics)Deficit spendingEconomicsPoliticsFederal budgetPublic economicsEconomic policyPolitical scienceMacroeconomicsFiscal yearFinancePsychology

Résumé

récupéré en direct d'OpenAlex

Abstract This chapter examines the impact of macroeconomic, political, and fiscal policy variables on the Canadian federal government’s popularity from 1978 to 2018. It observes a decline in the impact of the macroeconomic variables over time. This decline coincides with a shift in the government’s fiscal policy agenda which has been centred on austerity and deficit reduction since the early 1990s. Until then, Canadians preferred budget deficits and the effect of the economy on executive approval was clear and consistent. As deficits became unsustainable during the economic crisis of the early 1990s, balancing the budget became the government’s main objective. The government’s austerity discourse and actions convinced many Canadians of the purported benefits of a balanced federal budget. Since then, Canadians have rewarded the government for a reduction of budget deficits, and the impact of the economy on the government’s popularity became inconsistent. The authors demonstrate this over-time change using Wald tests, split samples, and rolling regressions. In that respect, their findings provide support to one of the theoretical perspectives laid out in this volume’s introduction, according to which the salience of economic issues has changed over time, a factor that partly explains the variation observed in the relationship between economics and executive approval.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,135
Score d'incertitude au seuil0,980

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,007
Études des sciences et des technologies0,0080,003
Communication savante0,0070,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0180,001

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 Opus0,038
Tête enseignante GPT0,174
Écart entre enseignants0,136 · 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'étudeObservationnel
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFiscal Policy and Economic Growth→Travaux en français237 207→