MétaCan
Menu
Retour à la cohorte
Enregistrement W1503607525

ELASTISITAS SUKU BUNGA TERHADAP PENYALURAN KREDIT INVESTASI PERSEKTOR EKONOMI DI KALIMANTAN BARAT

2013· article· id· W1503607525 sur OpenAlexaboutno aff
Bilqis Salbiyyah Fitriyani

Notice bibliographique

RevueJurnal Curvanomic · 2013
Typearticle
Langueid
DomaineBusiness, Management and Accounting
ThématiqueFinancial Analysis and Corporate Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInterest rateLoanInvestment (military)AgricultureAgricultural economicsQuarter (Canadian coin)DisbursementBusinessPrice elasticity of demandSimple linear regressionSecondary sector of the economyEconomicsEconomyRegression analysisFinanceGeographyMathematics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The title of the study is Elasticity Of Interest Investment Loan Disbursement Economic Per sector in West This study aims to examine and analyze the effect of interest rates on investment loans per sector Economics in West Kalimantan and to determine the level of the interest rate elasticity of investment lending per sector economies in West Kalimantan. This study used time series data between 2007 first quarter to 2011 fourth quarter, which is a secondary data from Bank Indonesia at Banking Statistics of Indonesia. The research method using Simple Linear Regression and elasticity test. Based on the estimates, the study found that the economic sector in West Kalimantan are significant in the mining, industrial, Electricity, Gas, Water, Building, commerce, transport, services and others. While the agriculture sector is not significantly affected. Then the sectors of the economy in western Borneo is Elastic contained in the mining, industrial, Electricity, Gas, Water, Building, commerce, transport, services and others. As well as the agricultural sector is Inelastic. Keywords : Interest Rates, Economic Persector Distribution of Investment Credit in West Kalimantan.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,226
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,014

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,187
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal CurvanomicMême sujetFinancial Analysis and Corporate GovernanceTravaux en français237 207