The relationship between monetary policy rate decision, inflation and unemployment in the euro area
Notice bibliographique
Résumé
This study examines the relationship between the interest rate on main refinancing operations which is one of the ECB’s key rates and inflation, and also the key rate and unemployment in the euro area from the quarterly data from the first quarter of 2009 to the first quarter of 2021 by Granger causality test. A pre-condition for a Granger Causality test is that the data is stationary, so we first test whether our sample data is stationary by the Augmented Dickey-Fuller (ADF) test with Schwarz Information Criterion (SIC) which also known as Bayesian Information Criterion (BIC). As the main refinancing operation rate, the Harmonised Index of Consumer Prices (HICP) inflation and the unemployment rate data of the eurozone is non-stationary, we use the first-order difference method to make the data stationary. Then, we check again whether the data at first difference is stationary by the ADF test with the SIC. The results show that the data become stationary. Therefore, the Granger causality test is adopted to investigate the relationship with these variables. The findings show that the past 8-lag value of the HICP inflation can be used to predict the monetary policy rate decision represented by the interest rate on main refinancing operations and the past 10-, 11- and 12-lag value of the unemployment rate is useful to forecast the rate on main refinancing operations while the past 10-lag value of the unemployment has the strongest prediction power. Conversely, a change in main refinancing operation rate does not improve the inflation and the unemployment rate.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,000 |
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 tête enseignante, 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 ».