The role of endogenous capital depreciation rate in Dynamic Stochastic General Equilibrium models
Bibliographic record
Abstract
L’obiettivo principale della tesi è quello di costruire e stimare un modello DSGE in cui si ipotizza un tasso di deprezzamento del capitale variabile nel tempo e si introduce come variable di controllo la manutenzione e riparazione dei beni e servizi. A tal fine viene definita esplicitamente una funzione di deprezzamento correlata positivamente con il tasso di utilizzo del capitale e negativamente con la manutenzione. Dalle condizioni di equilibrio del modello analitico ne deriva che il deprezzamento presenta un trend di crescita nel tempo il quale, in steady state, dipende dallo shock tecnologico agli investimenti specifici. In generale, vengono inclusi nel modello tre tipi di progressi tecnologici: lo shock di produzione neutrale (labor augmenting), lo shock agli investimenti specifici (IST), e lo shock all’efficienza marginale degli investimenti (MEI). Il modello con il deprezzamento endogeno e la manutenzione viene confrontato con il modello base in cui il deprezzamento è costante e la manutenzione è esclusa. Quest’ultimo è costruito sulla base del modello di Justiniano et al. (2011). I risultati di stima del modello con la manutenzione, effettuata sull’economia del Canada, confermano le asserzioni di Justiniano et al. (2011) secondo i quali lo shock all’efficienza marginale degli investimenti (MEI) è il maggior responsabile delle fluttuazioni economiche. Al contrario, lo shock IST risulta essere trascurabile. A differenza sia del modello base che del modello di Justiniano et al. (2011), in risposta allo MEI shock il modello con la manutenzione genera comportamenti ottimali prociclici in tutte le principali variabili macroeconomiche, compreso il consumo. Quest’ultimo, infatti, è controciclico negli altri due modelli. Inoltre, nel modello con la manutenzione le dinamiche ottimali di convergenza delle principali variabili endogene sono amplificate ed il ritorno all’equilibrio di steady state è ritardato. Ciò è dovuto alla presenza del deprezzamento endogeno che a causa dell’obsolescenza aumenta e distrugge così una parte del capitale installato. Nel modello con la manutenzione, inoltre, viene introdotto uno shock nuovo che impatta sul processo di trasformazione dei beni e servizi di manutenzione, lo shock specifico alla manutenzione (MST). Secondo i risultati di stima, nel lungo periodo tale shock non ha alcun potere esplicativo delle variazioni nelle principali variabili endogene, eccetto un impatto trascurabile sulla crescita della manutenzione. Nel breve periodo, tuttavia, tale shock è il maggior responsabile delle variazioni nella manutenzione.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.006 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".