Ridge Regression Analysis on the Influential Factors of FDI in Jiangsu Province
Notice bibliographique
Résumé
As Chinese eastern coastal developed areas, through the use of foreign capital, Jiangsu Province has not only promoted economic growth rapidly, enhanced the regional comprehensive competitiveness, promoted employment, but also created a new famous mode of economic development called Sunan. Based on the qualitative analysis of factors affecting the inflow of foreign capital in Jiangsu, the paper establish a mathematical model between the FDI and major economic indicators in Jiangsu, in accordance with its own characteristics. And then taken 1992-2006 time-series data for the background, the paper use the method of ridge regression to analysis the influential factors of FDI in Jiangsu. Key words: foreign direct investment, ridge regression, factors, Jiangsu Resume: En tant qu’une region developpee dans la cote-est de la Chine, grâce a l’usage du capital etranger, la province du Jiangsu a non seulement eu une croissance economique rapide, augmente la competitivite generale, cree desemplois mais aussi invente un nouveau modele du developpement economique qu’on appelle Sunan. En se basant sur les analyses qualitatives des facteurs affectant l’afflux du capital etranger dans la province de Jiangsu, l’article etalit un modele mathematiqueentre le FDI et les principaux indicateurs economiques dans la Province, conformement a ses caracteristiques appropriees. Et puis, en employant les donnees de la periode de l’annee 1992 a 2006 comme l’arriere-plan, l’article utilise la methode d’analyse de ridge regressionn pour etudier les facteurs influents de FDI dans la province de Jiangsu. Mots-Cles: investissements directs etrangers, ridge regression, facteurs, Jiangsu
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».