Évaluation de la relation entre la courbe de rendement et le taux de croissance future du PIB et impact de la crise financière de 2008 : application au Canada et aux États-Unis
Bibliographic record
Abstract
La présente étude analyse la relation entre la courbe de rendement obligataire et le taux de croissance du PIB avant et après la crise financière de 2008. Plusieurs auteurs ont montré que la courbe de rendement obligataire permet de prévoir le taux de croissance économique futur. Selon la littérature économique, la politique monétaire y joue un rôle central. Pendant la crise financière de 2008, les banques centrales de plusieurs pays dont le Canada et les États-Unis ont adopté des politiques monétaires exceptionnelles qui ont mené à des taux d’intérêt très bas pratiquement à 0 %. Il semble donc opportun de vérifier si ce changement de politique monétaire induit par la crise financière a eu un impact sur la capacité de la courbe de rendement à prévoir le taux de croissance futur du PIB. Pour atteindre nos objectifs, nous nous inspirons de la méthodologie utilisée dans Dotsey (1998). Il s’agit d’un modèle d’estimation par les moindres carrés sur plusieurs sous-échantillons. Le test de Chow est aussi effectué en vue de détecter la présence de bris structurel. Les données couvrent la période de 1995T1 à 2019T2. Nous considérons deux sous-périodes soit la période avant la crise financière qui s’étend de 1995T1 à 2007T4 et la période après la crise financière qui va de 2008T1 à 2019T2. Les résultats de l’estimation montrent que la crise financière a eu un impact marqué sur la capacité de la courbe de rendement à prévoir le taux de croissance du PIB, autant au Canada qu’aux États-Unis. Les tableaux de variation des résultats nous laissent penser que l’impact d’une hausse de l’écart de rendement sur le taux de croissance du PIB n’est pas le même d’une période à l’autre pour les États-Unis. Au Canada par contre, l’effet est le même sur la période avant et après la crise financière.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| 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".