Determinants of Public Debt for middle income and high income group countries using Panel Data regression
Notice bibliographique
Résumé
To be able to predict when a nation will go bust has been one of toughest challenges in macroeconomics. Considerable research and effort has been put into this direction but still we are not in a position to say anything with certainty. This paper analyzes panel pool data on 31 countries across the world for the past 30 years on the basis of which the possibility of a sovereign default can be explored. The aim of this study is to understand which all factors influence the public debt in middle and high income group countries using Panel regression. Total effects model, Cross section fixed effects model, Cross section random effects model have been used to understand the factors whereas Autoregressive multiple regression model has been used to forecast the debt figures. The research findings suggest that the most important determinant of debt situation is GDP growth rate for both high and middle income group countries. In addition to this, Central government expenditure, education expenditure and Current account balance are also seen to influence the debt situation for both groups. FDI and Inflation have no impact on debt to GDP ratios among high income group countries but are found to be of more relevance when determining debt situation of middle income group countries. Population density and population above 65 years of age do not have any impact whatsoever on debt to GDP ratios of high and middle income group countries. Forecasts for weighted average public debt for high income group countries indicate steady increase. Debt situation of countries including Switzerland, Korea, Slovak rep, France and Japan is likely to worsen over the next 5 years. The debt situation of Greece and Spain is unlikely to change much whereas Ireland, USA, Canada, Italy, Hungary are expected to get better till 2015.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».