Impacto del crecimiento económico del Perú en el empleo durante el periodo de 2002 – 2019
Bibliographic record
Abstract
Este informe de investigación parte de los estudios realizados por el Banco Central \nde Reserva del Perú (BCRP) y la Comisión Económica para América Latina y el \nCaribe (CEPAL), donde se discuten temas relacionados a como el crecimiento \neconómico influye en el desempleo, con el fin de determinar la relación entre estas \ndos variables y poder aplicar políticas macroeconómicas que ayuden eliminar la \nbrecha de desempleo en el país. Sin embargo, han sucedido muchos eventos en la \neconomía del Perú que dan cierta incertidumbre y aún hay mucha intriga sobre el \nimpacto que tiene la tasa de crecimiento del PBI sobre la tasa de desempleo en el \nPerú, generando grandes discusiones sobre el tema. Es por ello, que esta \ninvestigación pretende estudiar el impacto del crecimiento económico en el empleo \nen el Perú usando los datos estadísticos brindados tanto del BCRP como del \nInstituto Nacional de Estadística e Informática INEI de cada variable a estudiar, \ncomprendidos entre el primer trimestre del 2002 hasta el cuarto trimestre del 2019. \nLa ecuación se basa en el modelo de Okun y se estiman usando el método de \nMínimos Cuadrados Ordinarios (MCO), con datos reales trimestrales para el \nperiodo de 2022 – 2019. Los resultados indican que el impacto del crecimiento \neconómico en el empleo fue de 2.55, concordando con el parámetro puesto por \nOkun para cumplir con una economía estable y un pleno empleo. Finalmente, se \nsugiere que se sigan realizando investigaciones con este modelo, que, a pesar de \nno ser tan conocido y estudiado en nuestro país, es uno que mejor explica la \nrelación entre estas variables, y permite conocer mejor la situación económica y \nlaboral de nuestro país y saber que políticas aplicar de acuerdo la situación \ncoyuntural por la que se pasa en el país.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| 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".