Empirical Analysis of the Impact of Fiscal Policy on Economic Growth of Nigeria
Notice bibliographique
Résumé
This study provides empirical analysis of the impact of fiscal policy on economic growth in Nigeria. Time series data from 1986 to 2010 relevant to the study were collected from the Central Bank of Nigeria statistical bulletin, Volume 22 and the National Bureau of Statistics. The ordinary least square method of multivariate regression was utilized in analyzing the log-linearized Model. The Augmented Dickey-Fuller unit root test was employed to establish the stationarity of the variables while the General-to-Specific approach to Autoregressive Distributed Lag (ARDL) model was used for testing for the existence of long-run and short-run equilibrium conditions. The findings were that, there is evidence of long run equilibrium relationship between fiscal policy and economic growth in Nigeria during the period studied. The adjusted R2 value of 0.6850 showed that about 68.5% of the total variation in the real GDP is explained by the independent variables included in the model. Specific fiscal policy variables that have significant and positive impact on economic growth in Nigeria are government recurrent and capital expenditures. Non-oil taxes and government total debts have no significant impact on real GDP. Only capital expenditure has short run equilibrium relationship with economic growth. It is therefore recommended that government should establish a strong fiscal responsibility and transparency system in the fiscal institutions; and tax reforms should be such that would encourage increase in investment and fight corruption. Government debts should be channelled towards provision of critical infrastructure so as to provide the enabling investment environment, while fiscal policy should be complemented with the use of effective monetary policy.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».