CIBLAGE D’INFLATION ET PERFORMANCE MACROÉCONOMIQUE : NOUVELLE APPROCHE, NOUVELLE RÉPONSE
Bibliographic record
Abstract
Ce papier se veut une contribution au débat quant à l’efficacité, en termes de performance économique, du régime de ciblage d’inflation en s’appuyant sur une analyse statistique descriptive et comparative de l’inflation et de la croissance économique appuyée par une analyse économétrique des doubles différences (differences-in-differences approach) pour différents échantillons. Un résultat important de ce travail est qu’on réconcilie les deux courants de la littérature, celui qui est en faveur du ciblage d’inflation et celui qui ne l’est pas. Plus précisément, nous montrons que le ciblage d’inflation est plus efficace dans le cas des pays émergents où l’inflation est toujours un défi d’actualité. Dans ce type de pays, cette politique monétaire assure la stabilité des prix avec une croissance soutenable. Cependant, pour le cas des pays industrialisés, nos résultats montrent que cette politique monétaire sacrifie la croissance économique au profit de la stabilité des prix. Ce dernier résultat s’avère important justifiant de ce fait les critiques de Stiglitz (2008) et de Blanchard et al. (2010) où ce régime monétaire a contribué à la grande dépression suivant la crise des subprimes.
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 | 0.012 | 0.028 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.004 | 0.010 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".