Economic Growth in ASEAN-4 Countries: A Panel Data Analysis
Notice bibliographique
Résumé
This paper examines the impact of economic variables which are foreign direct investment (FDI), openness and gross fixed capital formation to economic growth which indicates using gross domestic product (GDP) over the period 1981- 2008. The impact of variables to GDP is estimated using three panel estimation models which are called pooled model (pooled), fixed effects model (FEM) and random effects model (REM). The findings show that all variables are correlated with each other and also have the positive relationship to GDP. Hence, all variables may lead economic growth boost when they are increase whereas FDI becomes the most efficient variable in order to assist economic growth and followed by openness and gross fixed capital formation. Otherwise, the result in Ordinary Least Squares (OLS) which implies in this study as well test all variables stationary at 5 percent level of significant. These shows only gross fixed capital formation is significant to growth and contributes the positive effect to GDP in each ASEAN-4 countries. However, OLS estimation result for Indonesia shows the other variable has significant to growth which is openness; while it gives the negative affect the GDP. Instead of Indonesia, openness is not significant at other ASEAN-4 countries such as Malaysia, Thailand and Philippines. Besides, other variable is FDI also not significant in the case of all ASEAN-4 countries. It means that, openness does not correlated to growth for Malaysia, Thailand and Philippines countries; while FDI is not correlated to growth for all ASEAN-4 countries in this study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».