Estimation de l'élasticité prix de l'offre de logement au Canada
Bibliographic record
Abstract
Dans ce memoire, nous analysons l'offre de logement dans les regions metropolitaines de recensement a l'aide de modeles deja utilises pour le marche du logement americain. Contrairement a la majorite des etudes empiriques realisees sur l'offre de logement aux Etats-Unis, les donnees utilisees dans ce memoire sont issues du marche canadien du logement. Notre cadre d'analyse s'appuie principalement sur les formulations du modele de Green, Malpezzi et Mayo (2005), Mayer et Somerville (2000), et Maclennan et Malpezzi (2001). L'analyse comparative de ces trois modeles a revele que seule la regression du modele de Green, Malpezzi et Mayo (2005) a pu fournir des resultats robustes. Ce modele nous a permis d'atteindre un double objectif. Le premier objectif est d'estimer l'elasticite prix de l'offre de logement pour chaque region metropolitaine. Les resultats obtenus demontrent, a l'instar du marche du logement americain, que l'offre de logement est elastique dans la plupart des regions metropolitaines du Canada. Cependant, il existe des ecarts regionaux importants. Le deuxieme objectif est d'expliquer les sources de disparite des elasticites entre regions metropolitaines. La plupart des facteurs determinant ces sources sont significatifs a un niveau de 5%, a l'exception de la variation de la population. Les resultats montrent que les variables relatives a la densite, a la taille de la population, aux prix de logement, aux droits de cession et frais d'enregistrement, et au temps de deplacement sont utiles pour expliquer les disparites entre les regions. ______________________________________________________________________________ MOTS-CLES DE L’AUTEUR : Elasticite, Prix, Offre, Logement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".