Austrian business cycle theory : agent-based-model illustration and empirical application
Bibliographic record
Abstract
La théorie autrichienne du cycle économique : illustration avec un système multi-agents et l'application empirique Cette recherche vise à reformuler la théorie autrichienne du cycle économique. L’idée centrale est que les banques centrales peuvent faciliter la création des crédits qui ne sont pas basés sur les épargnes des consommateurs et que cela peut permettre aux banques et les inciter de finances certains projets de la longue durée qui elles n’ont pas trouvés attirants à financer dans le passé. Ces projets peuvent dérouter certaines ressources de la production de certains biens de consommation même si les préférences des consommateurs pertinents n’ont pas changé. Ces derniers peuvent renverser la mauvaise allocation des ressources ou obliger les initiateurs des projets respectifs de payer plus pour les ressources pertinentes. Cela va soit amener à l’échec des projets mentionnés ou obliger les initiateurs de réduire leurs dépenses sur d’autres activités, ainsi que déclencher d’autres effets négatifs pour l’économie. En plus, la recherche illustre la logique centrale de la théorie à travers un modèle informatique et analyse les preuves empiriques de l’applicabilité de la théorie à la Grande Récession de 2008-09.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".