Bibliographic record
Abstract
La thèse comporte trois parties, dont l’objet d’étude est l’immobilier soit en s’intéressant directement au marché immobilier résidentiel parisien, soit indirectement en analysant les REITs dont l’actif sous-jacent est l’immobilier. La première partie porte sur l’examen des facteurs macroéconomiques et financiers qui ont influencé, au cours de la période 1996-2010, les prix résidentiels à Paris en appliquant un modèle VAR (vector autoregressive). Dans la deuxième partie, nous analysons, au cours de la période 2007-2012, l’interaction entre les rendements des REITS et les facteurs macroéconomiques/financiers dans dix pays développés (les Etats-Unis, le Canada, l’Australie, l’Europe, la Zone Euro, le Japon, Hong-Kong, la France, le Royaume-Uni et l’Allemagne) en appliquant un modèle VAR. Les REITs investissent sur l’immobilier, mais ils sont cotés sur un marché boursier. Par conséquent, ils héritent des caractéristiques à la fois de l’immobilier et des actions. Ce caractère hybride des REITs nous conduit à nous interroger sur leur risque et le rôle qu’ils peuvent jouer dans la gestion de portefeuille. C’est pourquoi dans la troisième partie nous examinons, au cours de la période 2001-2012, l’effet des deux composantes du risque (bêta et le risque idiosyncratique) et certains facteurs spécifiques aux REITs (taille, rapport Actif Net Comptable / valeur de marché et la mesure d’illiquidité) sur les rendements des REITs européens (la France, l’Allemagne, le Royaume-Uni, les Pays-Bas et l’Italie) en appliquant le modèle à trois facteurs de Fama et French et la méthodologie de Fama et MacBeth.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".