MétaCan
Menu
Retour à la cohorte
Enregistrement W7072014870

Unconventional Monetary Policy in the United States : An empirical study of the quantitative easing (QE) effects on households and firms

2023· other· en· W7072014870 sur OpenAlexaboutno aff

Notice bibliographique

RevueDiVA (Linnaeus University) · 2023
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuantitative easingDistributed lagMonetary policyHeteroscedasticityConsumption (sociology)Quarter (Canadian coin)Variable (mathematics)Empirical research
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Quantitative Easing is an unconventional instrument when conducting monetary policy with the aim of stimulating the economy. The instrument is a complementary tool when changing the nominal interest rate is no longer effective. In the United States this unconventional instrument has been used through three different waves between December 2008 to October 2014. This research paper investigates two different regressions, one for the dependent variable consumption and one for the dependent variable investments to capture the effects on households and firms respectively. The results are used to study whether the unconventional monetary policy has had any effects on these variables and if the dependent variables are affected to different degrees. Data for this paper is collected between the first quarter of 2005 until the fourth quarter of 2019. The modelling used is the Auto Regressive Distributed Lag Model (ARDL) for the two different regressions. All variables in the regressions are critically tested for unit roots, autocorrelation, heteroscedasticity and misspecification to validate the analysis. The findings of our ARDL models indicate that investments are affected by quantitative easing to a larger degree than consumption by 3.8 times the change of the coefficients at its optimal lags.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,303
Écart entre enseignants0,257 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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 revueDiVA (Linnaeus University)Travaux en français237 207