Impacto del crecimiento económico del Perú en el empleo durante el periodo de 2002 – 2019
Notice bibliographique
Résumé
Este informe de investigación parte de los estudios realizados por el Banco Central \nde Reserva del Perú (BCRP) y la Comisión Económica para América Latina y el \nCaribe (CEPAL), donde se discuten temas relacionados a como el crecimiento \neconómico influye en el desempleo, con el fin de determinar la relación entre estas \ndos variables y poder aplicar políticas macroeconómicas que ayuden eliminar la \nbrecha de desempleo en el país. Sin embargo, han sucedido muchos eventos en la \neconomía del Perú que dan cierta incertidumbre y aún hay mucha intriga sobre el \nimpacto que tiene la tasa de crecimiento del PBI sobre la tasa de desempleo en el \nPerú, generando grandes discusiones sobre el tema. Es por ello, que esta \ninvestigación pretende estudiar el impacto del crecimiento económico en el empleo \nen el Perú usando los datos estadísticos brindados tanto del BCRP como del \nInstituto Nacional de Estadística e Informática INEI de cada variable a estudiar, \ncomprendidos entre el primer trimestre del 2002 hasta el cuarto trimestre del 2019. \nLa ecuación se basa en el modelo de Okun y se estiman usando el método de \nMínimos Cuadrados Ordinarios (MCO), con datos reales trimestrales para el \nperiodo de 2022 – 2019. Los resultados indican que el impacto del crecimiento \neconómico en el empleo fue de 2.55, concordando con el parámetro puesto por \nOkun para cumplir con una economía estable y un pleno empleo. Finalmente, se \nsugiere que se sigan realizando investigaciones con este modelo, que, a pesar de \nno ser tan conocido y estudiado en nuestro país, es uno que mejor explica la \nrelación entre estas variables, y permite conocer mejor la situación económica y \nlaboral de nuestro país y saber que políticas aplicar de acuerdo la situación \ncoyuntural por la que se pasa en el país.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».