Impact des chocs de politiques monétaires sur l’économie canadienne
Bibliographic record
Abstract
Ce mémoire étudie l’impact des chocs causés par les politiques monétaires sur les trois variables dépendantes suivantes : le PIB canadien, l’inflation canadienne et le taux d’escompte moyen canadien. Afin de procéder à cette étude les projections locales de Jordà (2005) sont utilisées. La base de données utilisée s’appuie sur celle créée par Champagne et Sekkel (2018) dans leur article. Les données proviennent de l’information narrative puis d’une base de données mensuelles en temps réel et des prévisions sur les projections économiques établies par la Banque du Canada pour la période de 1974 à 2015. De plus, ce mémoire contribue à la littérature en ajoutant le PIB américain comme variable de contrôle. Comme le PIB américain n’est pas disponible publiquement, en fréquence mensuelle, un indice mensuel de la production industrielle américaine et l’indice du PIB américain de l’OCDE sont utilisés avec les données de la Federal Reserve Bank of St. Louis. Une fois le PIB américain ajouté comme variable de contrôle, les résultats varient selon que l’on utilise la série de chocs sans rupture ou celle séparée en deux prenant en compte le ciblage de l’inflation dans les années 1990. Pour le PIB canadien, l’impact est positif pour les deux séries de chocs et avec les deux variables de contrôle. L’impact peut aller jusqu’à une hausse de 0,5% de plus qu’avant l’ajout de l’économie américaine. Puis, pour l’inflation canadienne, il n’y a pas trop d’impact avec l’indice de la production industrielle américaine comme variable de contrôle, mais l’indicateur de l’OCDE affecte l’inflation d’environ -0,5% de plus qu’avant pour les deux séries de chocs. Finalement, pour le taux d’escompte moyen, il n’y a pas de différence marquante après 4 ans, peu importe la série de choc et la variable de contrôle utilisée. Cette étude permet d’enrichir la littérature sur l’impact réel des politiques monétaires au Canada ainsi que sur l’utilisation des projections locales pour calculer les réponses impulsionnelles.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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 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".