Гибкий порог Rico flex Дуб белёный 422 (3 м)

850р.

Гибкий напольный профиль Rico Flex – это пластиковый порог, который изготовлен из однородного термопластика и может принимать практически любую форму.

Гибкий порог Рико Флекс предназначен для маскировки швов и зазоров между напольными покрытиями, мелких погрешностей отделки и оформления стыков между различными напольными покрытиями (плитка, линолеум, пробка, ламинат, паркет и т.д.).

Такие профили часто применяются при зонировании помещений с помощью различных по фактуре, либо цвету, напольных покрытий. Чаще всего он используется при оформлении сложных криволинейных стыков, например, плитки и ламината, линолеума и плитки, ламината и линолеума, ковролина и плитки и т.д.

Профиль Rico Flex полностью влагостоек и его можно использовать в помещения с повышенной влажностью. Он легко нарезается обычными инструментами под необходимый размер и имеет высокий срок эксплуатации.

 

Характеристики:

• Цвет: Дуб белёный 422
• Ширина: 40 мм
  
• Длина профиля: 3 м
  
• Радиус изгиба до 0,6 м в холодном и до 0,3 м в нагретом состоянии.
  
• Упаковка: рулон в коробке
  
• Производитель: Россия (Росмат). 

Вся продукция, производимая на заводе Росмат, не содержит в составе свинца (PbFree) и считается безопасной для здоровья, что подтверждено многочисленными лицензиями и сертификатами.

Монтаж гибкого профиля очень прост, а невысокая цена доступна всем желающим.

Для установки Rico Flex необходима специальная монтажная планка, которая изготавливается в двух разных размерах (приобретается отдельно).

Для того, чтобы закрепить гибкий порог, монтажная планка прикручивается к полу в углублении между напольными покрытиями, после чего порог просто прикладывается и защелкивается.

Монтажная планка бывает двух видов: для установки порога на высоте (или с перепадом) до 12 мм от пола, и от 6 до 18 мм. С таким креплением порог Рико Флекс можно крепить даже к стене, например, для оформления колонн.

 

Перед монтажом рулон гибкого профиля необходимо поместить в горячую воду на 15 минут для придания ему максимальной пластичности.

 

Цена: за 1 упаковку.

Пороги
Ширина	40
Длина, мм	3000
Страна производства	Россия
Назначение	Гибкие
Вид крепления	Крепежный профиль / Со скрытым крепежом / Т-образные
Высота стыка	Одноуровневые
Материал	Пластик (ПВХ)
Фактура	Гладкая
Покрытие	Декорирование

Ваше имя:

Ваш отзыв:

Примечание: HTML разметка не поддерживается! Используйте обычный текст.

Оценка:     Плохо           Хорошо

GPT и человеческая психология / Хабр

Генеративные текстовые модели, например — ChatGPT и GPT-4, кардинально изменили всё то, что происходит в области искусственного интеллекта (ИИ, AI, Artificial Intelligence).

GPT‑модели (Generative Pre‑trained Transformer, генеративный предобученный трансформер), похоже, донельзя снизили порог входа в сферу ИИ, сделав её доступной даже тем, кто весьма далёк от компьютерных технологий. Любой может просто начать спрашивать модель обо всём на свете и получать пугающе точные ответы.

По крайней мере — получать такие ответы почти всегда…

Когда модель не выдаёт правильный ответ — это не значит, что она не в состоянии это сделать. Часто нужно всего лишь изменить предлагаемое ей задание, или «промпт» (prompt, подсказка), таким образом, чтобы направить модель к верному ответу.

Это часто называют «промпт‑инжинирингом» (prompt engineering).

В основе многих приёмов промпт‑инжиниринга лежат попытки сымитировать то, как работает человеческое мышление. Отличные примеры имитации мышления людей — это когда моделям предлагают «подумать вслух» (think aloud ) или говорят: «давай продумаем этот вопрос пошагово» (let’s think step by step).

Подобные аналогии между GPT‑моделями и человеческой психологией важны, так как они помогают нам понять то, как мы можем улучшить результаты работы таких моделей. Аналогии указывают нам на возможности, которых может не хватать моделям.

Это не значит, что я выступаю за то, чтобы любую модель воспринимали бы как носителя общего интеллекта. Но мне интересно наблюдать за тем, как и почему мы пытаемся сделать так, чтобы GPT‑модели «думали» бы как люди.

Многие аналогии между ИИ и человеком, с которыми вы встретитесь ниже, обсуждаются, кроме того, в этом видео. В нём Андрей Карпатный делится результатами увлекательных наблюдений за большими языковыми моделями, сделанными с психологической точки зрения. Это видео, определённо, стоит посмотреть.

Мне, как дата-сайентисту и психологу, очень близка эта тема. Мне чрезвычайно интересно изучать то, как ведут себя модели, то, какого поведения мы ожидаем от них, то, как мы подталкиваем модели к тому, чтобы они вели бы себя так же, как мы

Есть множество моментов, где аналогии между GPT-моделями и человеческой психологией приводят к интересным выводам. В этом материале мы обсудим следующее:

• Подсказки. Побуждение к определённому поведению.

• Подражание. Имитирование или заучивание внешнего поведения других сущностей.

• Галлюцинации. Вспоминание того, что не существует.

• Самоосознание. Что делает нас теми, кто мы есть?

• Профессионализм. Является ли что-либо нашей силой, или нашей слабостью?

• Память. Использование памяти для доступа к информации.

• Внутренний монолог. Поиск своего внутреннего голоса.

• Самостоятельность. Выполнение действий без соответствующих указаний.

• Инструменты. Использование внешних инструментов для того, чтобы победить собственные слабости.

Сразу хочу предупредить о том, что разговор об аналогиях между GPT‑моделями и человеческой психологией несёт в себе риск антропоморфизации машин. Другими словами — риск очеловечивания моделей. Я, совершенно определённо, к этому не стремлюсь. Это — не материал об экзистенциальных рисках или об общем интеллекте. Это — скорее развлекательный проект, направленный на проведение параллелей между нами и GPT‑моделями. Если что — можете, не стесняясь, оценивать мои идеи с долей скептицизма.

Подсказки

Промпт, или подсказка — это описание того, что мы хотим от модели. Например: «Создай список из 10 названий книг».

Использование различных промптов в надежде на улучшение результатов работы модели — это и есть промпт‑инжиниринг.

В психологии есть множество различных методов побуждения людей к проявлению определённого поведения. Обычно это используется в прикладном анализе поведения (Applied behavior analysis, ABA) для изучения нового поведения.

🤖 GPT:

👨‍💻 Человек:

Есть чёткое отличие между тем, как побуждение работает в GPT‑моделях, и тем, как оно работает в психологии. В психологии побуждение направлено на изучение нового поведения. То есть — чего‑то такого, чего человек раньше сделать не мог. А в случае с GPT‑моделью побуждение направлено на демонстрацию поведения, которое модель ранее не проявляла.

Главное различие тут лежит в том, что человек изучает что‑то совершенно новое и, в определённой степени, меняется как личность. А вот модель, в отличие от этого, уже способна показать желаемое поведение, но не сделала этого из‑за определённых обстоятельств, в частности — из‑за промптов. Даже когда пользователю удаётся успешно «извлечь» из модели необходимое поведение, сама модель от этого не меняется.

Побуждение модели к определённому поведению

При работе с GPT‑моделями, побуждение, кроме того, выражается гораздо прямее, чем в случае с человеком. Многие подходы к составлению промптов ориентированы на передачу моделям как можно более точных инструкций (например: «Вы — учёный. Подготовьте реферат этой статьи», «You are a scientist. Summarize this article»).

Подражание

GPT‑модели — это подражатели. Они, и сравнимые модели, обучаются на целых горах текстовых данных и пытаются наилучшим образом воспроизвести то, чему научились.

🤖 GPT:

• Подражают поведению, не понимая то, что делают.

• Не учатся новому поведению автоматически, для обучения их чему‑то новому необходима специально проводимая тонкая настройка.

👨‍💻 Человек:

Это значит, что когда модели задают вопрос — она пытается сгенерировать последовательность слов, которая наилучшим образом соответствует тому, что она видела в ходе обучения. Чем больше будет объём учебных данных — тем лучше эта последовательность слов будет соответствовать ожиданиям пользователя.

Подражание поведению

Но у GPT‑моделей нет собственных способностей к настоящему пониманию поведения, которому они подражают. Могут ли модели по‑настоящему рассуждать о чём‑то? Это, определённо, открытый вопрос, обсуждение которого часто вызывает жаркие дискуссии. Это относится и ко многим другим темам, поднимаемым в этой статье.

Хотя у людей есть собственные способности к подражанию чужому поведению, тут всё устроено гораздо сложнее, эти способности базируются и на социальных моделях, и на биологических системах. Мы склонны, до некоторой степени, понимать то, чему подражаем и легко можем обобщать то, что поняли.

Самоосознание

У людей имеется заранее сложившееся понятие о том, кто они такие, о том, как жизненный опыт повлиял на их формирование. Люди имеют некоторое представление об окружающем мире. У нас есть самоосознание.

У GPT‑моделей самоосознания нет. У них имеется множество знаний о мире, в котором мы живём, они знают о том, какие ответы нам могут подойти лучше, чем другие, но у них нет ощущения собственного «я».

🤖 GPT:

• У моделей нет собственного представления о том, кто они такие.

• Модели могут легко представать перед нами в виде множества различных личностей, точно воспроизводя их особенности.

👨‍💻 Человек:

• У людей имеется собственное представление о том, кто они такие.

• Человек имеет единственную личность, которая развивается со временем.

Модели не обязательно, как свойственно людям, подводятся к определённым точкам зрения. Модель, в плане самосознания — это чистый лист. Это значит, что, так как GPT‑модель обладает большим объёмом знаний о мире, у неё есть некоторые способности подражать поведению той личности, которая интересна пользователю.

Но, как всегда, это — лишь подражание поведению.

У такого положения дел есть один серьёзный плюс. Мы можем попросить модель сыграть роль учёного, писателя, редактора и так далее. А модель постарается действовать так, как характерно для конкретной роли. Когда модель ориентируют на имитацию поведения определённых личностей, это ведёт к тому, что результаты работы моделей оказываются лучше согласованными с теми задачами, которые им дают.

Подражание поведению неких людей

Профессионализм

Это — интересная тема. Есть много проектов по оценке больших языковых моделей на широком разнообразии тестов. Среди них — Hugging Face Leaderboard и Chatbot Arena Leaderboard.

Это — важные тесты, позволяющие оценить возможности моделей. Но то, что, например, я воспринимаю в виде сильной стороны некоей модели, вы можете счесть чем‑то не особенно важным.

🤖 GPT:

👨‍💻 Человек:

Это имеет отношение к самой модели. Даже если сообщить ей сведения о баллах, набранных ей в некоем тесте, она не будет знать о том, где, в сравнении с другими моделями, находятся её сильные и слабые стороны. Например, модель GPT-4 прошла экзамен по адвокатуре, что, в целом, можно рассматривать как большой «плюс» модели. Но модель может не понять того, что сам факт прохождения такого экзамена нельзя назвать «плюсом» в том месте, где собралась целая толпа опытных юристов.

Другими словами — считать ли что‑то сильной или слабой стороной модели — сильно зависит от обстановки в каждой конкретной ситуации. То же самое применимо и к людям. Я могу считать себя хорошим специалистом в сфере больших языковых моделей. Но если рядом со мной окажутся Эндрю Ын, Себастьян Рашка и другие специалисты мирового уровня, то мои знания в этой области вдруг окажутся не такими значительными, какими казались раньше.

Это важно из‑за того, что у модели нет интуитивного понимания того, что является её силой или слабостью. Поэтому ей нужно об этом сообщить.

Модели сообщают о том, что она плохо считает

Например, если вам кажется, что модель плохо решает математические уравнения, вы можете сказать ей, чтобы она выполняла бы все вычисления с использованием плагина Wolfram.

Но, в то же время, хотя мы и утверждаем, что у нас имеется некоторое представление о наших сильных и слабых сторонах, оно часто бывает субъективным и обычно является сильно предвзятым.

Инструменты

Как уже было сказано — GPT‑модели не знают в конкретной ситуации о том, в чём они хороши, а в чём — нет. Пользователь может помочь им сориентироваться в ситуации, добавляя в промпт соответствующие пояснения. Описывая ситуацию модели, мы подталкиваем её к выдаче более точных ответов.

Это не всегда и не во всех задачах способно серьёзно помочь моделям. Тут, как и у людей — описание ситуации помогает человеку, но не позволяет преодолеть все его слабости.

🤖 GPT:

👨‍💻 Человек:

Люди же, когда встречаются с задачей, которую в текущей ситуации решить не могут, часто прибегают к неким инструментам для решения этой задачи. Мы, выполняя сложные вычисления, берём калькуляторы, а чтобы быстрее переместиться из одного места в другое, пользуемся автомобилями.

Модели не обращаются к внешним инструментам самостоятельно, в автоматическом режиме. Когда пользователь убеждён в том, что модель не способна решить какую-то задачу, ему нужно сказать модели о том, что она должна использовать конкретный внешний инструмент.

Использование внешних инструментов

Тут важно учитывать то, что человек, решая свои ежедневные задачи, пользуется огромным количеством инструментов. Это, например — телефон, ключи, очки и многое другое. Если дать GPT-модели те же возможности — это может оказать ей грандиозную помощь. Человеческие инструменты похожи на плагины, которые публикует OpenAI.

Главная проблема тут в том, что описываемые модели не рассчитаны на автоматическое использование инструментов. Они обращаются к плагинам лишь тогда, когда пользователь сообщает моделям о том, что у них есть такая возможность.

Внутренний монолог

Обычно в голове человека звучит внутренний голос, с которым мы общаемся, решая сложные задачи. «Если я сделаю это, то результат будет таким, а если сделаю то — это может привести к лучшему решению задачи».

GPT‑модели не показывают подобные рассуждения в автоматическом режиме. Если модели задают вопрос — она просто генерирует некоторое количество слов, которые наиболее логичным образом формируют ответ на этот вопрос. Конечно, эти слова — результаты вычислений, но модель не использует эти слова для создания собственного внутреннего монолога.

🤖 GPT:

• Нет естественного внутреннего монолога.

• Две системы мышления: № 1 (основана на промпте) и № 2 (основана на цепочке пошаговых логических выводов).

• Может демонстрировать сложные рассуждения.

👨‍💻 Человек:

• Естественный внутренний монолог.

• Две системы мышления: № 1 (быстрая, интуитивная) № 2 (медленная, логическая).

• Может демонстрировать сложные рассуждения.

Если попросить модель «думать вслух», сказав ей: «Давай продумаем этот вопрос пошагово», то, как оказалось, это обычно немного улучшает ответ. Это называется «цепочкой пошаговых логических выводов» или «цепочкой мыслей». Так модель пытается сымитировать мыслительный процесс человека, ищущего ответ на тот же вопрос, который ей задали. Это не обязательно означает, что модели «рассуждают», но интересно посмотреть на то, насколько это улучшает результаты работы моделей.

И тут, в виде небольшого, но приятного дополнения, «внутренний диалог» модели ведётся не в её недрах. Он демонстрируется пользователю. В результате, если понаблюдать за тем, о чём именно думает модель, можно получить очень интересные сведения о её поведении.

Модель «думает вслух»

Этот «внутренний голос» модели заметно проще, чем человеческий. Мы показываем себя гораздо более подвижными в «разговорах», которые ведём сами с собой, да и идут эти разговоры не так, как у машин. По своей природе это могут быть символические, моторные, или даже эмоциональные диалоги. Например, многие спортсмены представляют себя делающими упражнения, которые их интересуют, стремясь таким образом лучше подготовиться к реальному выполнению этих упражнений. Это называют «психическими образами».

Подобные беседы позволяют людям заниматься мозговыми штурмами. Мы используем их, чтобы находить новые идеи и ответы на вопросы, чтобы понимать обстановку, в которой возникают некие задачи. А GPT‑моделям, в отличие от нас, нужно прямо говорить о том, чтобы они искали бы решение задачи методом мозгового штурма. При этом нужно использовать особые инструкции для моделей.

Мы можем пойти дальше и связать это с первой и второй системами мышления. Система № 1 реализует автоматический, интуитивный, почти мгновенный процесс мышления. Мы очень слабо её контролируем. А, в отличие от неё, система № 2 — это сознательное, медленное, логическое мышление, требующее значительных усилий.

Давая GPT‑модели возможность саморефлексии, мы, по сути, пытаемся сымитировать то, как работает наша система мышления № 2. У модели уходит больше времени на генерирование ответа, она тщательно его продумывает, вместо того, чтобы быстро выдать ответ.

Грубо говоря, получается, что, не используя промпт‑инжиниринг, мы включаем систему мышления модели № 1, а предлагая модели задействовать «цепочку мыслей», мы включаем систему мышления № 2.

Если вам интересны подробности о первой и второй человеческих системах мышления — вот отличная книга на эту тему.

Память

Андрей Карпатный, в вышеупомянутом видео, сделал интересное сравнение возможностей памяти человека и памяти GPT‑модели.

Наша память устроена довольно сложно. У нас есть долговременная память, рабочая память, кратковременная память, сенсорная память и другие виды памяти.

🤖 GPT:

• Отличная долговременная память.

• Рабочая память — это промпт.

• Имитация сенсорной памяти путём обучения моделей на мультимодальных данных.

• Внешняя память, представленная векторными базами данных, используемая для поиска информации.

👨‍💻 Человек:

• Долговременная память может ослабевать со временем.

• Сохраняется часть рабочей памяти.

• Сенсорная память извлекается из наших чувств.

• Внешняя память поддерживается подсказками из окружающей среды.

Можно, очень приблизительно, выделить в памяти GPT‑модели четыре компонента:

Сравним это с тем, что есть у человека.

Долговременную память GPT‑модели можно представить в виде чего‑то такого, что модель запомнила после обучения на огромных объёмах данных. Эта информация, до определённой степени, представлена внутри модели. То, что хранится в этой памяти, модель способна отлично воспроизводить, делая это всегда, когда ей это нужно. Подобная долговременная память будет сопутствовать модели в течение всего времени её существования. А человеческая долговременная память, в отличие от машинной, может со временем угасать. Существует так называемая «теория распада», описывающая это явление.

Долговременная память GPT‑модели совершенна, она не ослабевает со временем.

Рабочая память GPT‑модели — это всё то, что входит в состав промпта, который передал ей пользователь. Модель может полностью использовать эту информацию для выполнения вычислений и для выдачи ответа. Это — отличная аналогия с человеческой рабочей памятью, так как это — память, ёмкость которой ограничена и которая предназначена для временного хранения информации. GPT‑модель, например, «забудет» промпт после того, как выдаст ответ. Причина, по которой возникает такое ощущение, что модель помнит содержание длительной беседы с ней, заключается в том, что модели, вместе с промптом, передаётся и история беседы.

Рабочая память и предыдущие промпты

Если говорить о новой информации, то GPT-модели её не запоминают.

Сенсорная память имеет отношение к тому, как мы храним информацию, полученную от наших органов чувств. Это может быть визуальная, звуковая, тактильная информация. Мы используем эту информацию и передаём её в нашу краткосрочную, или рабочую память для обработки. Это похоже на то, как устроены мультимодальные GPT-модели, которые работают с текстом, с изображениями и даже со звуками.

Но, вероятно, лучше будет сказать, что у GPT-моделей имеется мультимодальные рабочая и краткосрочная память, чем говорить о сенсорной памяти. В этих моделях различные формы «памяти» тесно связаны с различными видами данных. Поэтому в данной ситуации модели скорее имитируют сенсорную память людей. Мы уже встречались с чем-то подобным.

GPT-модель имитирует сенсорную память человека через мультимодальные процедуры обучения.

И наконец — GPT-модели становятся гораздо мощнее, когда им дают доступ к внешней памяти. Под внешней памятью мы понимаем базу данных с информацией, к которой модель может обращаться всегда, когда ей это нужно. Это можно сравнить, например, с наличием «под рукой» у модели нескольких книг по физике. Люди же, в отличие от моделей, используют в качестве внешней памяти подсказки, находящиеся в окружающей среде. Они помогают нам вспоминать определённые идеи и ощущения. Это, в некоторой степени, больше похоже на обращение к внешней информации, а не на вспоминание внутренней информации.

Обратите внимание на то, что я не говорил выше о кратковременной памяти. Дело в том, что вопрос о том, являются ли кратковременная и рабочая память одним и тем же видом памяти — это вопрос дискуссионный. Часто разницу между ними усматривают в том, что рабочая память отвечает не только за кратковременное хранение информации, но и за работу с этой информацией. Кроме того, понятие «рабочая память» лучше подходит для сравнения человека и GPT-моделей, поэтому тут я позволил себе выбрать то, что мне больше понравилось.

Самостоятельность

Мы уже об этом говорили: если нужно, чтобы GPT‑модель что‑нибудь сделала — ей надо об этом сказать.

Это — важное замечание, так как оно имеет отношение к чувству самостоятельности. Человеку свойственен определённый уровень самостоятельности. Например, если я решу пропустить стаканчик — я могу это сделать.

🤖 GPT:

👨‍💻 Человек:

Люди отличаются от GPT‑моделей тем, что последним не свойственна самостоятельность. Модели не могут работать независимо, если им не дали необходимых инструментов и не поместили их в подходящую среду.

Дать GPT‑модели самостоятельность можно, предложив ей создать несколько задач, которые нужно выполнить для достижения определённой конечной цели. Для каждой задачи модель расписывает шаги, необходимые для её завершения, размышляет над ними и выполняет их в том случае, если у неё есть необходимые инструменты.

AutoGPT — это отличный пример того, как GPT-модели была дана самостоятельность.

В результате то, на что способна модель, сильно зависит от окружения. Вероятно — сильнее, чем то, на что способны люди, зависит от того, что окружает нас. А окружающая среда влияет на нас довольно сильно.

Это, кроме того, означает, что, хотя GPT-модели способны показывать впечатляющие образцы сложного самостоятельного поведения, то, что может сделать модель, ограничено. Модель не может решить использовать инструмент, о существовании которого мы никогда ей не говорили. Люди лучше приспосабливаются к новым и ранее неизвестным им инструментам.

Галлюцинации

Обычная проблема GPT-моделей заключается в том, что они способны с уверенностью сгенерировать откровенную неправду, или что-то такое, чего не было в данных, на которых их обучали.

Например, когда GPT-модель просят сообщить некие фактические данные, вроде дохода Apple за 2019 год, она может выдать информацию, не имеющую отношения к действительности.

Это называют галлюцинацией.

Данный термин, применяемый в сфере ИИ, появился из психологии, где галлюцинация — это когда человек, например, полагает, что точно что-то видит, а на самом деле это не так. Главная разница между машинными и человеческими галлюцинациями заключается в том, что человеческие галлюцинации основаны на восприятии, а модели «галлюцинируют» некорректными фактами.

Некорректная информация

Возможно, уместнее будет сравнить такое поведение моделей с ложными воспоминаниями. У людей такие воспоминания наблюдаются тогда, когда они вспоминают что‑то не таким, каким оно было на самом деле. Это похоже на то, как GPT‑модель пытается воспроизвести что‑то такое, чего никогда не было.

🤖 GPT:

👨‍💻 Человек:

Интересно то, что людям легче создавать ложные воспоминания, когда в дело идут внушаемость, прайминг, фрейминг и прочее подобное. Такое ощущение, что это ближе соответствует тому, как «галлюцинируют» GPT‑модели, так как получаемые ими промпты очень сильно на них влияют.

Наши воспоминания тоже могут подвергнуться влиянию подсказок или фраз, которые мы слышим от других. Например, кому‑то задают вопрос: «Какого оттенка красного была эта машина?». В этом вопросе человеку неявным образом сообщают предполагаемый «факт». А именно — то, что машина была красная, даже если она таковой не была. Это может привести к созданию ложных воспоминаний и известно как пресуппозиция.

О, а приходите к нам работать? 🤗 💰

Мы в wunderfund.io занимаемся высокочастотной алготорговлей с 2014 года. Высокочастотная торговля — это непрерывное соревнование лучших программистов и математиков всего мира. Присоединившись к нам, вы станете частью этой увлекательной схватки.

Мы предлагаем интересные и сложные задачи по анализу данных и low latency разработке для увлеченных исследователей и программистов. Гибкий график и никакой бюрократии, решения быстро принимаются и воплощаются в жизнь.

Сейчас мы ищем плюсовиков, питонистов, дата-инженеров и мл-рисерчеров.

Присоединяйтесь к нашей команде.

Гибкое пороговое переключение на основе CsCu2I3 с низким пороговым напряжением и высокой стабильностью на воздухе

. 2022 28 сентября; 14 (38): 43474-43481.

doi: 10.1021/acsami.2c09904. Epub 2022 13 сентября.

Фэнчан Хуан ^{1 2} , Шуайпэн Гэ ^{2 3}

, Жулай Вэй ^{1 2} , Цзяци Хэ ^{2 4} , Сяоле Ма ^{1 2} , Хуан Тао ^{2 3} , Цючунь Лу ^{1 2} , Сяомин Мо ¹ , Чунфэн Ван ^{2 3} , Каофэн Пан ^{2 4}

Принадлежности

• ¹ Центр исследований в области наноэнергетики, Школа физических наук и технологий, Университет Гуанси, Наньнин, Гуанси 530004, КНР.
• ² CAS Center for Excellence in Nanoscience, Beijing Key Laboratory of Micro-nano Energy and Sensor, Пекинский институт наноэнергетики и наносистем, Китайская академия наук, Пекин 101400, КНР.
• ³ Ключевая лаборатория оптоэлектронных устройств и систем Министерства образования и провинции Гуандун, Колледж физики и оптоэлектроники, Колледж материаловедения и инженерии, Шэньчжэньский университет, Шэньчжэнь 518060, КНР.
• ⁴ Школа нанонауки и технологий Университета Китайской академии наук, Пекин 100049, КНР.

• PMID:
  36098632
• DOI: 10. 1021/acsami.2c09904

Фэнчан Хуанг и др. Интерфейсы приложений ACS. 2022 .

. 2022 28 сентября; 14 (38): 43474-43481.

doi: 10.1021/acsami.2c09904. Epub 2022 13 сентября.

Авторы

Фэнчан Хуан ^{1 2} , Шуайпэн Гэ ^{2 3} , Жулай Вэй ^{1 2}

, Цзяци Хэ ^{2 4} , Сяоле Ма ^{1 2} , Хуан Тао ^{2 3} , Цючунь Лу ^{1 2} , Сяомин Мо ¹ , Ван Чунфэн ^{2 3} , Цаофэн Пан ^{2 4}

Принадлежности

• ¹ Центр исследований в области наноэнергетики, Школа физических наук и технологий, Университет Гуанси, Наньнин, Гуанси 530004, КНР.
• ² Центр передового опыта в области нанонауки CAS, Пекин Ключевая лаборатория микро-нано-энергии и датчиков, Пекинский институт наноэнергетики и наносистем, Китайская академия наук, Пекин 101400, КНР.
• ³ Ключевая лаборатория оптоэлектронных устройств и систем Министерства образования и провинции Гуандун, Колледж физики и оптоэлектроники, Колледж материаловедения и инженерии, Шэньчжэньский университет, Шэньчжэнь 518060, КНР.
• ⁴ Школа нанонауки и технологий Университета Китайской академии наук, Пекин 100049, КНР.

• PMID: 36098632
• DOI: 10.
  1021/acsami.2c09904

Абстрактный

Галогенидные перовскиты, обладающие замечательными оптоэлектронными свойствами, обладают большим потенциалом для устройств порогового переключения (TSD), которые имеют первостепенное значение для мемристоров следующего поколения и нейроморфных компьютеров. Однако такие устройства все еще находятся в зачаточном состоянии из-за нерешенных проблем, связанных с высоким пороговым напряжением, плохой стабильностью и свойствами, содержащими свинец. Здесь униполярный ТСД на основе полностью неорганического галогенидного перовскита CsCu ₂ I ₃ демонстрирует удивительные свойства низкого порогового напряжения 0,54 В, высокого отношения ON/OFF 10

4 , стабильной работы на воздухе в течение 70 дней, крутой наклон переключения 6,2 мВ· декада ^-1 и бессвинцовая композиция. Кроме того, пороговое напряжение может быть дополнительно снижено до 0,23 В с помощью УФ-освещения для снижения барьера миграции иодид-ионов. Поведение многоуровневого порогового переключения может быть реализовано путем модуляции либо тока соответствия, либо скорости сканирования. Также демонстрируется TSD с механической податливостью и прозрачностью. Эта работа обогащает TSD расширенными перовскитными материалами, расширяя соответствующие области применения этого нового класса семейств устройств.

Ключевые слова: полностью неорганический перовскит, не содержащий свинца; гибкость; низкое пороговое напряжение; нейроморфные устройства; пороговое переключение.

Похожие статьи

• Галогенные перовскиты для мемристивного хранения данных и искусственных синапсов.

  Квак К.Дж., Ли Д.Е., Ким С.Дж., Джанг Х.В. Квак К.Дж. и др. J Phys Chem Lett. 2021 сен 23;12(37):8999-9010. doi: 10.1021/acs.jpclett.1c02332. Epub 2021 13 сентября. J Phys Chem Lett. 2021. PMID: 34515487

• Ambient Stable Все неорганические CsCu ₂ I ₃ Искусственные синапсы для нейрокомпьютеров.

  Kwak KJ, Baek JH, Lee DE, Im IH, Kim J, Kim SJ, Lee YJ, Kim JY, Jang HW. Квак К.Дж. и др. Нано Летт. 2022 27 июля; 22 (14): 6010-6017. doi: 10.1021/acs.nanolett.2c01272. Epub 2022 8 июня. Нано Летт. 2022. PMID: 35675157

• Улучшенные оптоэлектронные характеристики, вызванные миграцией ионов в бессвинцовых CsCu ₂ I ₃ Монокристаллические микростержни.

  Ян С.С., Конг Ю.К., Чжан Чж., Ву З.С., Лиан З.Д., Чжао Ю.П., Су С.К., Ли Л., Ван С.П., Нг К.В. Ян С.С. и др. Интерфейсы приложений ACS. 31 октября 2022 г. doi: 10.1021/acsami.2c14974. Онлайн перед печатью. Интерфейсы приложений ACS. 2022. PMID: 36315112

• Оптическая память, переключение и нейроморфная функциональность в металлогалогенидных перовскитных материалах и устройствах.

  Ватс Г., Ходжес Б., Фергюсон А.Дж., Уилер Л.М., Блэкберн Д.Л. Ватс Г. и др. Adv Mater. 2022 19 сентября: e2205459. doi: 10.1002/adma.202205459. Онлайн перед печатью. Adv Mater. 2022. PMID: 36120918 Обзор.

• Металлогалогенные мемристоры на основе перовскита для новых приложений памяти.

  Пак Ю., Ли Дж.С. Парк Ю и др. J Phys Chem Lett. 2022 23 июня; 13 (24): 5638-5647. doi: 10.1021/acs.jpclett.2c01303. Epub 2022 16 июня. J Phys Chem Lett. 2022. PMID: 35708321 Обзор.

Посмотреть все похожие статьи

гибких пороговых моделей для моделирования волатильности процентных ставок

Автор

Перечислено:

• Петрос Деллапортас
• Дэвид Г. Т. Денисон
• Крис Холмс

Зарегистрирован:

• Петрос Деллапортас

Abstract

Эта статья посвящена моделям процентных ставок с переключением режимов и расширяет предыдущие нелинейные пороговые модели, ослабляя предположение о фиксированном числе режимов. Вместо этого мы предлагаем автоматическое определение модели посредством байесовского вывода с помощью алгоритма Монте-Карло с обратимой цепью Маркова (MCMC). Более того, мы допускаем, что пороги волатильности зависят не только от процентной ставки, но и от других экономических факторов. Мы иллюстрируем нашу методологию, применяя ее к процентным ставкам и другим экономическим факторам американской экономики.

Предлагаемое цитирование

Петрос Деллапортас и Дэвид Г. Т. Денисон и Крис Холмс, 2007. “ Гибкие пороговые модели для моделирования волатильности процентных ставок “, Эконометрические обзоры, Taylor & Francis Journals, vol. 26(2-4), страницы 419-437.

Обработчик: RePEc:taf:emetrv:v:26:y:2007:i:2-4:p:419-437
DOI: 10.1080/07474930701220600

как

HTMLHTML с абстрактным простым текстом обычный текст с абстрактнымBibTeXRIS (EndNote, RefMan, ProCite)ReDIFJSON

Скачать полный текст от издателя

URL-адрес файла: http://www.tandfonline.com/doi/abs/10.1080/07474930701220600
Ограничение на загрузку: Доступ к полному тексту разрешен только подписчикам.

---

URL-адрес файла: https://libkey.io/10.1080/07474930701220600?utm_source=ideas
Ссылка LibKey : если доступ ограничен и если ваша библиотека использует эту службу, LibKey перенаправит вас туда, где вы можете использовать подписка библиотеки для доступа к этому пункту
—>

Поскольку доступ к этому документу ограничен, вы можете поискать другую его версию.

Каталожные номера указаны в IDEAS

как

HTMLHTML с абстрактным простым текстомпростой текст с абстрактнымBibTeXRIS (EndNote, RefMan, ProCite)ReDIFJSON

1. Агилар, Омар и Уэст, Майк, 2000 г. “ Байесовские модели динамических факторов и распределение портфеля “, Журнал деловой и экономической статистики, Американская статистическая ассоциация, том. 18(3), страницы 338-357, июль.
2. Дукер, Майкл Дж., 1997 г. « Марковское переключение в процессах GARCH и возврат к среднему значению волатильности фондового рынка », Журнал деловой и экономической статистики, Американская статистическая ассоциация, том. 15(1), страницы 26-34, январь.
   • Майкл Дж. Дьюкер, 1995 г. “ Марковское переключение в процессах GARCH и среднее изменение волатильности фондового рынка ,” Рабочие бумаги 1994-015, Федеральный резервный банк Сент-Луиса.
3. Чинг-Фан Чунг и Мао-Вэй Хунг, 2000 г. Общая модель краткосрочных процентных ставок ,” Прикладная экономика, Taylor & Francis Journals, vol. 32(2), страницы 111-121.
4. Роберт С. Мертон, 2005 г. “ Теория ценообразования рациональных опционов “, Главы мировых научных книг, в: Судипто Бхаттачарья и Джордж М. Константинидес (ред.), Теория оценки, глава 8, страницы 229–288, World Scientific Publishing Co. Pte. ООО
   • Роберт С. Мертон, 1973 г. « Теория рационального ценообразования опционов », Bell Journal of Economics, The RAND Corporation, vol. 4(1), страницы 141-183, Весна.
5. ЛУБРАНО, Мишель, 2000 г. « Байесовское нелинейное моделирование краткосрочной процентной ставки в США: помощь непараметрических инструментов », Дискуссионные документы LIDAM ОСНОВНЫЕ 2000038, Католический университет Лувена, Центр исследования операций и эконометрики (CORE).
6. Пфанн, Джерард А. и Шотман, Питер К. и Черниг, Рольф, 1996. “ Нелинейная динамика процентных ставок и последствия для временной структуры “, Журнал эконометрики, Elsevier, vol. 74(1), стр. 149-176, сентябрь.
   • Пфанн Г. и Шотман П. и Черниг Р., 1994. « Нелинейная динамика процентных ставок и последствия для временной структуры », Документы для обсуждения SFB 373 1994, 43, Берлинский университет имени Гумбольдта, Междисциплинарный исследовательский проект 373: Количественная оценка и моделирование экономических процессов.
7. Чан, К. С. и др., 1992. « Эмпирическое сравнение альтернативных моделей краткосрочной процентной ставки », Журнал финансов, Американская финансовая ассоциация, том. 47(3), страницы 1209-1227, июль.
   • Том Доан, “без даты”. «Программы RATS для воспроизведения CKLS (1992) оценки моделей процентных ставок », Компоненты статистического программного обеспечения RTZ00035, экономический факультет Бостонского колледжа.
8. Васичек, Олдрич, 1977 г. “ Равновесная характеристика временной структуры “, Журнал финансовой экономики, Elsevier, vol. 5(2), страницы 177-188, ноябрь.
9. Деннис Кристенсен, 2004 г. Полупараметрическая однофакторная модель временной структуры ,” Документы для обсуждения FMG dp501, Группа финансовых рынков.
   • Кристенсен, Деннис, 2004 г. ” Полупараметрическая однофакторная модель временной структуры ,” Онлайн-документы LSE Research по экономике 24741, Лондонская школа экономики и политических наук, библиотека LSE.
10. Паган, А.Р. и Холл, А.Д., и Мартин, В., 1995. “ Моделирование структуры терминов “, Документы 284, Австралийский национальный университет – экономический факультет.
11. Гамильтон, Джеймс Д., 1988. “ Эконометрический анализ изменений режима с использованием рациональных ожиданий: исследование временной структуры процентных ставок “, Журнал экономической динамики и управления, Elsevier, vol. 12(2-3), страницы 385-423.
12. Ламуре, Кристофер Г. и Ластрайпс, Уильям Д., 1990 г. « Постоянство в вариациях, структурные изменения и модель GARCH », Журнал деловой и экономической статистики, Американская статистическая ассоциация, том. 8(2), страницы 225-234, апрель.
13. Куп, Гэри и Поттер, Саймон М., 1999 г. « Динамическая асимметрия безработицы в США », Журнал деловой и экономической статистики, Американская статистическая ассоциация, том. 17(3), страницы 298-312, июль.
    • Гэри Куп и Саймон М. Поттер, 1998 г. “ Динамическая асимметрия безработицы в США “, Серия дискуссионных документов Эдинбургской школы экономики 15, Эдинбургская школа экономики, Эдинбургский университет.
14. М. Хашем Песаран, Давиде Петтенуццо и Аллан Тиммерманн, 2006 г. Прогнозирование временных рядов с учетом множественных структурных разрывов , ” Обзор экономических исследований, Oxford University Press, vol. 73(4), страницы 1057-1084.
    • Песаран, М. Хашем и Петтенуццо, Давиде и Тиммерманн, Аллан, 2004 г. “ Прогнозирование временных рядов с учетом множественных структурных разрывов “, Документы для обсуждения IZA 1196, Институт экономики труда (ИЗА).
    • Песаран, М.Х. и Петтенуццо, Д. и Тиммерманн, А., 2004 г. ” ‘Прогнозирование временных рядов с учетом множественных структурных разрывов’ ,” Кембриджские рабочие документы по экономике 0433, экономический факультет Кембриджского университета.
    • Песаран, М. Хашем и Петтенуццо, Давиде и Тиммерманн, Аллан Г., 2004 г. “ Прогнозирование временных рядов с учетом множественных структурных разрывов “, Документы для обсуждения CEPR 4636, C.E.P.R. Дискуссионные документы.
    • М. Хашем Песаран, Давиде Петтенуццо и Аллан Тиммерманн, 2004 г. “ Прогнозирование временных рядов с учетом множественных структурных разрывов “, Серия рабочих документов CESifo 1237, CESifo.
15. Гэри Куп и Саймон М. Поттер, 2009 г. “ Предварительное выявление в моделях с несколькими точками изменения “, International Economic Review, Департамент экономики, Университет Пенсильвании и Институт ассоциации социальных и экономических исследований Университета Осаки, vol. 50(3), страницы 751-772, август.
    • Гэри Куп и Саймон М. Поттер, 2004 г. ” Предварительное выявление в моделях с несколькими точками изменения ,” Отчеты персонала 197, Федеральный резервный банк Нью-Йорка.
    • Гэри Куп и Саймон М. Поттер, 2007 г. “ Предварительное выявление в моделях с несколькими точками изменения “, Серия рабочих документов 17_07, Центр экономического анализа Римини.
    • Гэри Куп и Саймон М. Поттер, 2004 г. “ Предварительное выявление в моделях с несколькими точками изменения “, Дискуссионные документы по экономике 26. 04, Отделение экономики, Школа бизнеса, Лестерский университет.
16. Гэри М. Куп и Саймон М. Поттер, 2004 г. ” Прогнозирование и оценка моделей с несколькими точками изменения с неизвестным количеством точек изменения ,” Дискуссионные документы по экономике 31.04, Отделение экономики, Школа бизнеса, Лестерский университет.
    • Гэри Куп и Саймон М. Поттер, 2004 г. “ Прогнозирование и оценка моделей с несколькими точками изменения с неизвестным числом точек изменения ,” Отчеты персонала 196, Федеральный резервный банк Нью-Йорка.
17. Бреннер, Робин Дж. и Харджес, Ричард Х. и Кронер, Кеннет Ф., 1996. Другой взгляд на модели краткосрочной процентной ставки ,” Журнал финансового и количественного анализа, Cambridge University Press, vol. 31(1), страницы 85-107, март.
18. Куп, Гэри и Поттер, Саймон М., 1998 г. « Факторы Байеса и нелинейность: Данные из экономических временных рядов1 », Журнал эконометрики, Elsevier, vol. 88(2), страницы 251-281, ноябрь.
19. Энгл, Роберт Ф. и Лилиен, Дэвид М. и Робинс, Рассел П., 1987. Оценка изменяющихся во времени премий за риск в временной структуре: модель Arch-M ,” Эконометрика, Эконометрическое общество, том. 55(2), страницы 391-407, март.

Полные ссылки (включая те, которые не соответствуют элементам в IDEAS)

Цитаты

Цитаты извлекаются проектом CitEc, подпишитесь на его RSS-канал для этого элемента.

как

HTMLHTML с абстрактным простым текстомпростой текст с абстрактнымBibTeXRIS (EndNote, RefMan, ProCite)ReDIFJSON

Процитировано:

1. Петропулос, Фотиос и Апилетти, Даниэле и Ассимакопулос, Вассилиос и Бабаи, Мохамед Зиед и Бэрроу, Девон К. и Бен Тайеб, Сухайб и Бергмейр, Кристоф и Бесса, Рикардо Дж. и Биджак, Якуб и Бойлан, Джо, 2022. “ Прогнозирование: теория и практика “, Международный журнал прогнозирования, Elsevier, vol. 38(3), страницы 705-871.
   • Фотиос Петропулос и Даниэле Апилетти и Вассилиос Ассимакопулос и Мохамед Зид Бабаи и Девон К. Бэрроу и Сухайб Бен Тайеб и Кристоф Бергмейр и Рикардо Дж. Бесса и Якуб Биджак и Джон Э. Бойлан и Джет, 2020 г. Прогнозирование: теория и практика ,” Документы 2012.03854, arXiv.org, пересмотрено в январе 2022 г.

Самые популярные товары

Это элементы, которые чаще всего цитируют те же работы, что и этот, и цитируются теми же работами, что и этот.

1. Т. Дж. Брейлсфорд и К. Махесваран, 1998 г. « Динамика австралийской краткосрочной процентной ставки », Австралийский журнал менеджмента, Австралийская школа бизнеса, том. 23(2), страницы 213-234, декабрь.
2. Айт-Сахалия, Ясин, 1996 г. “ Тестирование моделей спотовой процентной ставки с непрерывным временем “, Обзор финансовых исследований, Общество финансовых исследований, том. 9(2), страницы 385-426.
   • Ясин Айт-Сахалия, 1995 г. “ Тестирование моделей спотовой процентной ставки с непрерывным временем “, Рабочие документы NBER 5346, Национальное бюро экономических исследований, Inc.
3. Пэган, Адриан, 1996 г. « Эконометрика финансовых рынков », Журнал эмпирических финансов, Elsevier, vol. 3(1), страницы 15-102, май.
4. Теренс Д.Агбейегбе и Елена Гольдман, 2005 г. “ Оценка пороговых моделей временных рядов с использованием эффективного скачка MCMC ,” Архив рабочих документов по экономике в Хантер-колледже 406, факультет экономики Хантер-колледжа, редакция 2005 г.
5. Бали, Туран Г., 2003. « Моделирование стохастического поведения краткосрочных процентных ставок: последствия ценообразования дисконтных облигаций », Журнал банковского дела и финансов, Elsevier, vol. 27(2), страницы 201-228, февраль.
6. Джин-Чуан Дуан и Крис Джейкобс, 2001 г. « Короткая и длинная память в равновесной динамике процентных ставок », Рабочие документы CIRANO 2001-22, СИРАНО.
7. Дэниел Р. Смит и Кристоф Париньон, 2004 г. “ Моделирование волатильности коэффициента доходности “, Австралазийские встречи эконометрического общества, 2004 г. 307, Эконометрическое общество.
8. Джун Ю и Питер С. Б. Филлипс, 2001 г. ” Гауссовский подход для моделей непрерывного времени краткосрочной процентной ставки ,” Журнал эконометрики, Королевское экономическое общество, том. 4(2), страницы 1-3.
9. Тереза ​​Корсо Сантамария и Хавьер Гомес Бискарри, 2005 г. “ Непараметрическая оценка сходимости процентных ставок: влияние на ценообразование облигаций ,” Испанское экономическое обозрение, Springer; Испанская экономическая ассоциация, том. 7(3), страницы 167-190, сентябрь.
   • Тереза ​​Корсо Сантамараа и Хавьер Гомес Бискарри, 2004 г. « Непараметрическая оценка конвергенции процентных ставок: влияние на ценообразование облигаций », Рабочие документы факультета 03/04, Школа экономики и делового администрирования, Университет Наварры.
10. Дуан, Джин-Чуан и Джейкобс, Крис, 2008 г. “ Нужна ли долгая память? Эмпирическое исследование процессов неотрицательной процентной ставки “, Журнал эмпирических финансов, Elsevier, vol. 15(3), страницы 567-581, июнь.
11. Данкенбринг, Хеннинг, 1998 г. “ Оценки волатильности краткосрочной процентной ставки с применением немецких данных ,” Документы для обсуждения SFB 373 1998, 96, Берлинский университет им. Гумбольдта, Междисциплинарный исследовательский проект 373: Количественная оценка и моделирование экономических процессов.
12. Епископ, Афанасий, 2000 г. “ Дополнительные данные об альтернативных непрерывных временных моделях краткосрочной процентной ставки “, Журнал международных финансовых рынков, институтов и денег, Elsevier, vol. 10(2), страницы 199-212, июнь.
13. Ханс Девахтер, 1996 г. “ Моделирование волатильности процентных ставок: переключатели режимов и связи уровней ,” Обзор мировой экономики (Weltwirtschaftliches Archiv), Springer; Institut für Weltwirtschaft (Кильский институт мировой экономики), vol. 132(2), страницы 236-258, сентябрь.
14. Лим, Теренс и Ло, Эндрю В. и Мертон, Роберт С. и Скоулз, Майрон С. , 2006 г. “ Справочник по деривативам “, Foundations and Trends(R) in Finance, теперь издательство, vol. 1(5–6), страницы 365–572, апрель.
15. Кристиансен, Шарлотта, 2008 г. ” Модели коротких ставок Level-ARCH с переключением режимов: двумерное моделирование коротких ставок в США и Европе ,” Международный обзор финансового анализа, Elsevier, vol. 17(5), страницы 925-948, декабрь.
    • Кристиансен, Шарлотта, 2005 г. “ Модели коротких ставок Level-ARCH с переключением режимов: двумерное моделирование коротких ставок в США и Европе “, Рабочие документы группы финансовых исследований F-2005-03, Орхусский университет, Орхусская школа бизнеса, факультет бизнес-исследований.
    • Шарлотта Кристиансен, 2007 г. “ Модели коротких ставок Level-ARCH с переключением режимов: двумерное моделирование коротких ставок в США и Европе “, СОЗДАЕТ исследовательские работы 2007-05 гг., факультет экономики и экономики предприятия, Орхусский университет.
16. Ивон Фовель, Ален Паке и Кристиан Циммерманн, 1999 г. “ Опрос по прогнозированию процентных ставок “, Cahiers de recherche CREFE / Рабочие документы CREFE 87, CREFE, Университет Квебека в Монреале.
17. repec:wyi:journl:002108 не указан в IDEAS
18. Калимипалли, Мадху и Сусмел, Рауль, 2004 г. ” Стохастическая волатильность с переключением режима и краткосрочные процентные ставки ,” Журнал эмпирических финансов, Elsevier, vol. 11(3), страницы 309-329, июнь.
19. Тилль Стросал и Энцо Вебер, 2014 г. ” Коинтеграция средней дисперсии и гипотеза ожиданий ,” Количественные финансы, Taylor & Francis Journals, vol. 14(11), стр. 1983-1997, ноябрь.
    • Стросал, Тилль и Вебер, Энцо, 2010 г. “ Коинтеграция средней дисперсии и гипотеза ожиданий “, Рабочие документы Регенсбургского университета по бизнесу, экономике и информационным системам управления 442, Регенсбургский университет, экономический факультет.
    • Тилль Стросал и Энцо Вебер, 2011 г. “ Коинтеграция средней дисперсии и гипотеза ожиданий “, Документы для обсуждения SFB 649 SFB649DP2011-007, Sonderforschungsbereich 649, Университет Гумбольдта, Берлин, Германия.
20. Трэвис Сапп, 2009 г. ” Оценка непрерывных моделей стохастической волатильности краткосрочной процентной ставки: сравнение обобщенного метода моментов и фильтра Калмана ,” Обзор количественных финансов и бухгалтерского учета, Springer, vol. 33(4), страницы 303-326, ноябрь.
21. Фиби Кундури, Теологос Пантелидис, Бен Грум и Екатерина Панопулу, 2007 г. ” Дисконтирование отдаленного будущего: насколько выбор модели влияет на коэффициент достоверности? ,” Журнал прикладной эконометрики, John Wiley & Sons, Ltd., vol. 22(3), страницы 641-656.
    • Екатерина Панопулу, Б. Грум, П. Кундури и Теологос Пантелидис, 2005 г. ” Дисконтирование отдаленного будущего: насколько выбор модели влияет на ставку эквивалента уверенности? ,” Серия рабочих документов Департамента экономики n1480105, факультет экономики, Ирландский национальный университет, Мейнут.

Подробнее об этом изделии

Ключевые слова

Процентные ставки; Цепь Маркова Монте-Карло; Реверсивный прыжок; Пороговая модель;
Все эти ключевые слова.

Статистика

Доступ и статистика загрузки

Исправления

Все материалы на этом сайте предоставлены соответствующими издателями и авторами. Вы можете помочь исправить ошибки и упущения. При запросе исправления, пожалуйста, укажите дескриптор этого элемента: RePEc:taf:emetrv:v:26:y:2007:i:2-4:p:419-437 . См. общую информацию о том, как исправить материал в RePEc.

По техническим вопросам, касающимся этого элемента, или для исправления его авторов, названия, реферата, библиографической информации или информации для загрузки, обращайтесь: . Общие контактные данные провайдера: http://www.tandfonline.com/LECR20 .

Если вы создали этот элемент и еще не зарегистрированы в RePEc, мы рекомендуем вам сделать это здесь. Это позволяет связать ваш профиль с этим элементом. Это также позволяет вам принимать потенциальные ссылки на этот элемент, в отношении которых мы не уверены.

Если CitEc распознал библиографическую ссылку, но не связал с ней элемент в RePEc, вы можете помочь с помощью этой формы .