La politique budgétaire en contexte de relance économique post-première vague de Covid-19 : Étude appliquée au Québec
Bibliographic record
Abstract
Nous examinons les effets de la politique budgétaire sur le territoire québécois à l’aide de données qui s’échelonnent entre T1-1981 et T1-2020. Pour ce faire, nous estimons des modèles VAR et extrayons des chocs de dépenses gouvernementales selon la méthode de restrictions de signes proposée par Uhlig (2005). Les réponses impulsionnelles du PIB réel, de la consommation des ménages, de l’investissement privé non-résidentiel et de l’indice de confiance des ménages à un choc temporaire et positif de dépenses gouvernementales sont toutes significativement positives à court terme. Nous trouvons des multiplicateurs élevés pour des chocs de dépenses gouvernementales totales---ils sont à plus de 2 à court terme, tandis que les dépenses gouvernementales en investissement sont au-dessus de 3, 5 et affichent une plus grande persistance. Les conséquences possibles de la pandémie et des mesures de relance sur la trajectoire d’endettement du Québec complètent l’analyse. Enfin, les dépenses gouvernementales en investissement sont celles qui devraient être privilégiées pour stimuler l’activité économique et même réduire le ratio d’endettement en conformité avec les cibles prévues en 2026.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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 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".