Leçons macroéconomiques de la Covid-19: une analyse pour la RDC
Bibliographic record
Abstract
Le présent travail se propose d’étudier l’impact macroéconomique de la COVID-19 sur l’activité économique en RD Congo. Pour ce faire, un modèle d’équilibre général dynamique et stochastique en économie ouverte est utilisé et les paramètres du modèles sont estimés en recourant à l’approche bayésienne. Les données estimées couvrent la période allant du premier trimestre 2012 au deuxième trimestre 2020. Les tests de diagnostics, notamment le test de convergence des chaines de Monte-Carlo Markov (MCMC) amènent à considérer que les paramètres sont fiables. Les résultats indiquent que: (i) le choc COVID-19 entrainerait une baisse sensible de l’output gap (y_t) jusqu’au 8ème trimestre après la survenance du choc; (ii) le niveau de consommation (c_t) subit également un effet baissier à la suite de la crise sanitaire jusqu’à plus de 10 trimestres après le choc; (iii) Le taux de change nominal (e_t) se déprécie également avec un effet de plus en plus atténué à partir du 6ème trimestre après le choc, et (iv) le terme de change subit également un effet négatif mais avec un intervalle de confiance plus important, ce qui pourrait éventuellement traduire un effet peut significatif suite à l’arrêt des échanges résultant des mesures de confinement.
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 | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".