Le pouvoir prédictif de la pente des taux sur les probabilités de récession au Canada
Bibliographic record
Abstract
Ce travail de recherche étudie la capacité prédictive de la pente de la courbe des taux d’intérêt sur les probabilités de récession économique au Canada, une question de grande importance pour les décideurs économiques et les investisseurs. En s’appuyant sur une période d’analyse qui s’étend de 1961q2 à 2022q1, cette recherche étudie l’hypothèse selon laquelle la pente de la courbe des taux, calculée comme la différence entre les taux d’intérêt à long terme et à court terme, peut servir d’indicateur fiable pour anticiper les récessions. Le cadre théorique repose sur la littérature existante qui lie la structure par terme des taux d’intérêt aux cycles économiques. Les données historiques incluent les variations de la pente des taux, le taux d’inflation et l’indice boursier TSX, offrant une perspective complète sur le contexte financier canadien. La méthodologie adoptée combine deux approches économétriques : le modèle probit et le modèle quantile. Ces modèles sont utilisés pour analyser l’impact des fluctuations de la pente des taux sur la probabilité d’occurrence d’une récession. Les résultats montrent que la pente des taux est un prédicteur significatif des récessions au Canada, corroborant les travaux antérieurs sur le sujet. En particulier, une inversion significative de la courbe des taux est associée à une augmentation de la probabilité de récession. Cette étude contribue à la compréhension des signaux économiques précédant les récessions et souligne l’importance de surveiller la pente de la courbe des taux comme outil de prévision économique. Les implications de ces découvertes sont discutées, en mettant en lumière leur pertinence pour la politique monétaire et la stratégie d’investissement.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".