A Multivariate Analysis of the Impact of COVID-19 on the Consumer Price Index by Category in Selected Major Developed Countries
Notice bibliographique
Résumé
The global COVID-19 pandemic significantly impacted economies worldwide, leading to varied inflationary trends across different countries and consumer sectors. This study investigates the changes in the Consumer Price Index (CPI) across 12 expenditure categories including food, beverages, clothing, housing, furnishing, health, transport, communication, recreation, education, restaurants, and miscellaneous in six countries: Canada, the United States, Germany, Italy, the United Kingdom, and France. Using secondary data from the International Monetary Fund (IMF) International Financial Statistics Database, a two-way mixed design was employed to explore both within-subjects effects of time period (Pre-COVID-19 vs. Post-COVID-19) and between-subjects effects of country on CPI changes. A two-way mixed MANOVA with a general linear model (GLM) framework was conducted to examine differences in CPI between the pre- and post-COVID-19 periods. Significant effects were found for both country (Wilks’ Lambda = .038, F(60, 2593.26) = 43.75, p < .001, partial η² = .48) and time period (Wilks’ Lambda = .559, F(12, 553) = 36.42, p < .001, partial η² = .44), with substantial interaction effects between country and time period (Wilks’ Lambda = .400, F(60, 2593.26) = 9.34, p < .001, partial η² = .17). Post-hoc analyses using Scheffe tests revealed that Germany and Italy experienced the most pronounced CPI increases in categories such as food and housing, while Canada and France showed more moderate inflationary trends. In contrast, communication CPI declined significantly in Canada while increasing in the United Kingdom
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».