Analyse comparative des frictions financières aux États-Unis et au Canada : une approche DSGE bayésienne
Bibliographic record
Abstract
Ce mémoire compare les frictions financières aux États-Unis et au Canada par le biais des modèles DSGE à la Smets et Wouters (2003) augmentés de l’accélérateur financier à la Bernanke et collab. (1999) qui sont estimés suivant des techniques bayésiennes avec les données incluant la période avant et après la crise financière de 2007-2009. Les données tenant compte du début de l’épisode de la pandémie de COVID-19 sont également intégrées dans les modèles pour l’analyse des fonctions de réponses impulsionnelles. Les modèles estimés donnent un avantage considérable aux modèles avec frictions financières pour les États-Unis et le Canada en général, mais demeurent peu concluants pour le Canada lorsque la période d’estimation précédant la crise financière de 2007-2009 est considérée. En outre, les structures économiques estimées pour ces deux pays restent très similaires que l’on considère ou pas la présence de frictions financières, mais laissent présager toutefois certaines différences significatives. Il en ressort également que la plupart de chocs d’offre semblent impacter en grande partie l’évolution des variables macroéconomiques américaines comparativement à celles du Canada si l’on considère les estimations réalisées avec les données incluant la récente pandémie de la COVID-19. Selon les estimations effectuées avec les mêmes données précédentes, un choc positif de dépenses publiques au Canada a l’air de réduire sensiblement les effets pervers observés dans la consommation et l’investissement par rapport à sa contrepartie américaine. De plus, l’effondrement observé dans la production aux États-Unis et au Canada au cours de la période 2007-2009 aurait été causé en grande partie par un choc de préférences et un choc financier traduisant un dysfonctionnement du marché du crédit. Pour le Canada par contre, en plus de ces deux chocs cités, un choc de dépenses publiques aurait aussi contribué à une partie de l’effondrement de la production quand bien même que les dépenses publiques auraient augmenté durant cette période.
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".