Uncertainty and Monetary Policy Experimentation: Empirical Challenges and Insights from Academic Literature
Notice bibliographique
Résumé
Central banks face considerable uncertainty when conducting monetary policy. Some of the reasons for this include limitations of economic data, the unobservability of key macroeconomic variables such as potential output, structural changes to the economy and disagreements over the correct model for the transmission of monetary policy. At the same time, monetary policy is affected by uncertainty from various sources, including lack of or imperfect observation of economic variables, structural economic changes and possible misspecifications using models. We draw from the academic literature to review some of the key sources of this uncertainty and their implications for the conduct of monetary policy. First, we discuss evidence on release lags and revisions to economic data. We also highlight uncertainty around measuring unobservable variables such as the output gap and the natural rate of unemployment. The strength of a trade-off between these measures of economic slack and inflation—a cornerstone of monetary policy—is itself subject to continuous reassessment. Second, the literature finds that different sources of uncertainty may make the optimal conduct of monetary policy either more or less responsive to economic shocks. Additionally, the benefits of tackling uncertainty by engaging in purposeful monetary policy experimentation are typically small but may become more significant during major structural change or following unprecedented shocks.
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 | 0,072 | 0,320 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,015 |
| Communication savante | 0,016 | 0,016 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».