Законът на Оукън в България, Гърция и Русия: сравнителен анализ
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Целта на настоящата статия е да се извършат емпирична оценка и сравнителен анализ на Закона на Оукън за България, Гърция и Русия. Чрез регресия на времеви редове по метода на най-малките квадрати е моделирана връзката между безработицата, икономическия растеж и производствения разрив в България и Гърция за периода от първото тримесечие на 2000 г. до третото тримесечие на 2019 г., а в Русия – за интервала от първото тримесечие на 2003 г. до третото тримесечие на 2019 г. Резултатите от емпиричния анализ показват, че докато в България фазата от бизнес цикъла не влияе на валидността и силата на проявление на Закона на Оукън, то в Гърция и в Русия връзката между безработицата и съвкупния продукт е циклично обусловена – тя е много по-силна по време на спад, отколкото в период на подем. Okun’s Law in Bulgaria, Greece and Russia: A Comparative Analysis The purpose of the article is to perform an empirical assessment and comparative analysis of Okun’s Law for Bulgaria, Greece and Russia. Ordinary least squares regressions of time series data (from the first quarter of 2000 to the third quarter of 2019 in Bulgaria and Greece, and from the first quarter of 2003 to the third quarter of 2019 in Russia) are employed to estimate the relationships between unemployment, economic growth and the output gap. The results from the empirical analysis show that while in Bulgaria the phase of the business cycle does not affect the validity and strength of the manifestation of Okun’s Law, in Greece and Russia the link between unemployment and output is cyclically influenced – it is much stronger during contraction than it is during expansion.
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.
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 | 0,016 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,003 | 0,013 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,015 | 0,005 |
| Science ouverte | 0,037 | 0,016 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,164 | 0,028 |
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 découle