Essays on the Welfare Implications of Fiscal Policies over the Business Cycle in Heterogeneous-Agent Models
Notice bibliographique
Résumé
This dissertation investigates the welfare implications of fiscal policy in business cycle models with rich household heterogeneity. It demonstrates that understanding heterogeneity in households’ consumption–saving behavior—both empirically and theoretically—is essential for designing effective fiscal policy. To address the theoretical challenges, the study also proposes a computational method for efficiently solving heterogeneous-agent models with aggregate shocks, which are workhorses of modern macroeconomic analysis. Chapter 1 examines the optimal design of countercyclical transfers. One-time stimulus checks are widely used during recessions, but expectations of future transfers alter households’ precautionary saving. I develop a two-asset heterogeneous-agent model with aggregate shocks, solved globally using the method in Chapter 3. The optimal policy provides an additional $1,800 per recessionary year relative to the baseline, with welfare gains from reduced consumption risk outweighing lower long-run capital. Effects are highly uneven: indebted and poor Hand-to-Mouth households benefit most, wealthy Hand-to-Mouth households lose, and Savers are neutral. Computationally, I show that standard forecasting-rule solutions can misestimate aggregate capital in recessions, leading to understated transfer cyclicality and welfare gains. Chapter 2 evaluates Canada’s Tax-Free Savings Account (TFSA), introduced in 2009. Using administrative tax data in a regression discontinuity design, I find that TFSAs raised the share of households with liquid savings by 3.5 percentage points. A structural model shows welfare gains of 0.2859% in consumption-equivalent terms. The policy encourages liquid saving, which increases long-run capital and consumption while reducing volatility. The main insurance value arises from smoothing individual, rather than aggregate, consumption fluctuations. Chapter 3 develops a new global solution method for heterogeneous-agent models with aggregate shocks. The algorithm blends finite difference methods with deep learning to overcome the curse of dimensionality. It iteratively updates guesses of derivatives and decision rules, solves value functions, and uses machine learning to extract cross-state sensitivities. The method is flexible and applicable to a wide range of models, particularly for studying fiscal and monetary policies where inequality interacts with aggregate outcomes. Its usefulness is illustrated by applications to the classic Aiyagari (1994) and Krusell and Smith (1998) models.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».