Measuring Macroeconomic Conditions
Notice bibliographique
Résumé
This dissertation focuses on three measurement questions that are central to the design of macroeconomic policy. The first chapter, which is joint work with Thomas Laubach and John C. Williams, introduces time-varying volatility and incorporates a persistent supply shock to the Holston-Laubach-Williams model of the natural rate of interest to address the extraordinary effects of the COVID-19 pandemic on the economy. We find no evidence that estimated natural rates of interest in the United States, Canada, and the Euro Area have increased from their historically low pre-pandemic levels. In the context of our model, the main consequence from the pandemic period was a reduction in estimated natural rates of output. The second chapter explores estimation of the natural rate of output across unobserved components models that vary in terms of their labor market, output, and interest rate dynamics. Estimates of the output gap in the United States from similar models diverge dramatically: differences exceed 5 percentage points and paint a markedly different picture of macroeconomic conditions not just during the COVID-19 pandemic, but also over the entire fifteen-year period following the global financial crisis. This dispersion translates to differences in prescribed policy rates from simple monetary policy rules and acts as a source of uncertainty for central bankers. In the third chapter, I provide new evidence that banking crises commence throughout the business cycle: a large share of crises do not follow the canonical boom-bust timeline. I document differences in the start dates of banking crises across twelve databases, covering 467 episodes in 143 countries, and explore implications for the measurement of the macroeconomic aftermath of banking crises.
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) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,071 |
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 ».