Modélisation SVAR de l’impact des changements climatiques sur l’endettement provincial canadien
Bibliographic record
Abstract
Le présent mémoire cherche à évaluer s’il y a un lien de corrélation entre les changements climatiques et le ratio de l’endettement sur le produit intérieur brut (PIB) des provinces canadiennes par l’entremise d’un modèle « Structural Vector Autoregression » (SVAR) pour chaque province et en panel. Pour ce faire, nous utilisons l’indice de précipitations et d’évapotranspiration normalisé (IPEN) comme représentation des changements climatiques. Cet indice est une mesure relative de l’excédent ou du déficit pour les eaux de surface par rapport aux conditions hydroclimatiques de la période de référence (1950-2005). Pour représenter l’endettement, nous utilisons le ratio de la dette en circulation telle que retrouvée sur le terminal Bloomberg divisée par la mesure du PIB, le tout sur une base mensuelle. De plus, la modélisation inclut des variables de contrôle macroéconomiques. Les résultats obtenus démontrent qu’il n’y a pas de lien significatif entre notre ratio de la dette et l’indice des changements climatiques. Pour certaines provinces ayant une économie plus développée, la relation que nous trouvons est en fait négative. C’est-à-dire qu’un choc de l’indice IPEN sur le ratio de la dette en circulation par rapport au PIB est négatif, représentant donc une baisse du ratio. Ceci pourrait s’expliquer en partie par les valeurs des données de l’IPEN dans certaines provinces. Par ailleurs, pour certaines autres provinces, le même choc de l’indice des changements climatiques résulte en une hausse du ratio d’endettement. La modélisation en panel indique pour sa part que lorsqu’il y a un choc de l’indice de l’IPEN sur le ratio de la dette en circulation au PIB, celui-ci subit un choc positif de magnitude non significative.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| 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".