La causalité entre la monnaie et le revenu : une analyse fondée sur un modèle VARMA-échelon
Bibliographic record
Abstract
Les analyses de causalité, au sens de Wiener-Granger, sont habituellement fondées sur une spécification autorégressive (VAR) du processus générateur des données. C’est le cas, en particulier, pour les nombreuses études de causalité entre la monnaie et le revenu au niveau macroéconomique. Comme la spécification VAR ne constitue qu’une approximation et surtout n’est pas robuste à la désagrégation en sous-vecteurs, nous étudions ici la causalité entre monnaie et revenu à partir du cadre plus général et logiquement cohérent des modèles ARMA multivariés (VARMA). Pour résoudre les problèmes d’identification associés à ces modèles, nous considérons un modèle VARMA sous la forme échelon, lequel fournit automatiquement un modèle identifié. Nous utilisons, pour spécifier les ordres du modèle, la nouvelle méthodologie proposée par Nsiri et Roy (1992, 1996) et fondée sur une estimation des indices de Kronecker du modèle. Cette approche est appliquée à un modèle de l’économie américaine comprenant cinq variables : le revenu réel, le niveau des prix, un taux d’intérêt à court terme, la base monétaire et le multiplicateur de M1. Contrairement à certaines études antérieures, nous trouvons que les variables monétaires (base et multiplicateur) causent le revenu (au sens de Granger), la relation étant unidirectionnelle dans le cas de la base, tandis que le taux d’intérêt ne cause pas directement le revenu, mais a possiblement un effet indirect passant par les variables monétaires. Le niveau des prix apparaît comme une variable passive sans influence sur les autres variables du système.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".