Four essays in finance and macroeconomics : the contribution of nonlinear econometrics
Bibliographic record
Abstract
Quatre essais en finance et macroéconomie : la contribution de l'économétrie non linéaire Cette thèse sur articles est composée de quatre chapitres autonomes, contribuant au domaine de l’économétrie non linéaire. Le premier chapitre s’intéresse à l’apport de l’économétrie non-linéaire à travers la mesure de la performance financière en utilisant une variable dichotomique comme variable indépendante. Les trois chapitres suivants sont basés sur les modèles de régression non-linéaire où la variable dichotomique est la variable dépendante de l’équation. Compte tenu des liens entre le risque financier et le contexte macroéconomique, cette partie est liée au thème de l’allocation optimale via l’étude des crises et récessions. Cette classe de modèle (probit / logit) est utilisée dans le second chapitre pour étudier empiriquement le rôle du développement financier dans la probabilité d’occurrence de crises bancaires. Ensuite les deux derniers chapitres se concentrent sur le cadre méthodologique développé par Kauppi et Saikkonen (2008) et Candelon, Dumitrescu et Hurlin (2012 ; 2014) au sujet de la prévision des cycles économiques à partir de modèles probit / logit. Ainsi, le troisième chapitre étudie la relation empirique liant l’évolution du spread de taux et la probabilité future d’expansion / récession dans un panel de données élargi tout en testant l’homogénéité de cette relation. Enfin le quatrième chapitre propose une contribution théorique en dérivant les fonctions de réponse des modèles probit / logità partir de l’approche de Kauppi et Saikkonen (2008). Ces fonctions de réponse sont ensuite utilisées dans un cadre empirique afin d’estimer l’impact d’un choc exogène sur le cycle expansion / récession.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".