Panel data-set of the paper Disentangling Covid-19, Economic Mobility, and Containment Policy Shocks
Notice bibliographique
Résumé
Data-set of the paper Disentangling Covid-19, Economic Mobility, and Containment Policy Shocks for replication purpose of the Data Editor of AEJMacro. Detailed information on the data-set is in the readme file in the public repository openicpsr-175241 (under review). We study the dynamic interaction between Covid-19, economic mobility, and containment policy. We use Bayesian panel structural vector autoregressions with daily data for 44 countries, identified through traditional and narrative sign restrictions. We find that incidence shocks and containment shocks have large and persistent effects on mobility, morbidity, and mortality that last for 1-2 months. These shocks are the main drivers of the pandemic, explaining between 20-60% of the average and historical variability in mobility, cases, and deaths worldwide. The policy tradeoff associated to non-pharmaceutical interventions is 1pp less economic mobility per day for 8% fewer deaths after three months. The panel data-set contains the main data to perform the analysis in the paper. It contains dailiy data for (in sheets) Argentina, Australia, Austria, Belgium, Brazil, Canada, Chile, Colombia, Czech Republic, Denmark, Estonia, Finland, France, Germany, Greece, Hong Kong, Hungary, India, Indonesia, Ireland, Israel, Italy, Japan, Lithuania, Luxembourg, Mexico, Netherlands, New Zealand, Norway, Poland, Portugal, Russia, Saudi Arabia, Slovenia, South Korea, Spain, Sweden, Switzerland, Taiwan, Thailand, Turkey, United Arab Emirates, United Kingdom and United States. Included variables are: Confirmed Cases, Total Deaths, Days Last Reported Case, Total Tests, School Closing, Workplace Closing, Cancel Public Events, Restrictions Gatherings, Close Public Transport, Stay at Home Requirements, Restrictions Internal Movement, International Travel Controls, Income Support, Debt/Contract Relief, Fiscal Measures, International Support, Public Information Campaigns, Testing Policy, Contact Tracing, Healthcare Emergency Investment, Investment Vaccines, Stringency Index, Small Cap, Large Cap, Government Benchmarks 3 Month, Government Benchmarks 1 Year, Government Benchmarks 2 Year, Government Benchmarks 5 Year, Government Benchmarks 10 Year, FX Indices Broad, FX Indices Narrow, Mobility Retail Mobility Grocery, Mobility Parks, Mobility Transit Stations Mobility Workplaces, Mobility Residential. Period: 30.12.2016 to 31.08.2020. All data are downloaded from Macrobond.
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 | 0,005 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,180 | 0,073 |
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 ».