Politique monétaire, prix du pétrole et incertitudes macroéconomiques : une approche FAVAR pour l'économie canadienne
Bibliographic record
Abstract
Cette étude porte sur l’analyse des effets de la politique monétaire sur l’économie canadienne, pour la période du 2e trimestre de 1982 au 2e trimestre 2019 à l’aide de modèle VAR à facteurs ou FAVAR (Factor Augmented Vector Autoregression). Nous explorons différentes variantes de ces modèles en nous inspirant des travaux de Bernanke et al. (2005) et Boivin et al. (2010) pour revisiter l’impact de chocs monétaires dans une petite économie ouverte comme le Canada. Nous utilisons un échantillon plus récent, en exploitant la grande base de données canadiennes pour l’analyse macroéconomique (LCDMA : Large Canadian Database for Macroeconomic Analysis) hébergée à la Chaire en macroéconomie et prévisions de l’ESG-UQAM auxquels nous ajoutons des variables telles que le prix relatif du pétrole et des mesures d’incertitude macroéconomique américaine et canadienne pour refléter le contexte économique de ces dernières années. D’une part, la première variable ajoutée est vraisemblablement pertinente compte tenu de l’importance du secteur pétrolier au Canada. D’autre part, les hausses plus marquées de l’incertitude macroéconomique à certains moments dans les deux pays, dont celui autour de la Crise économique et financière en 2008, de même que l’augmentation relative de l’incertitude dans un pays par rapport à celle de l’autre auraient mérité d’être évoquées. Nous comparons, dans un premier temps, le modèle FAVAR de référence - composé de 8 facteurs estimés et de l’instrument de politique monétaire au modèle FAVAR avec prix relatif du pétrole et mesures d’incertitudes macroéconomiques. Ensuite, nous comparons un modèle VAR au modèle FAVAR de référence en faisant varier le nombre de facteurs dans ce dernier. Les résultats obtenus suggèrent que les réponses des variables dans les modèles FAVAR estimés sont conformes avec l’impact attendu d’un choc de politique monétaire restrictive. Ils ont permis également de corriger les énigmes empiriques usuelles pour le Canada. Par ailleurs, l’ajout du prix relatif du pétrole et des mesures d’incertitude macroéconomique apporte de l’information additionnelle et pertinente qui améliore la transmission de la politique monétaire au Canada. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : FAVAR, mesures d’incertitudes macroéconomiques canadienne et américaine, LCDMA, politique monétaire, prix relatif du pétrole, VAR
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".