MétaCan
Menu
Retour à la cohorte
Enregistrement W2471470109 · doi:10.1017/s1365100518000391

DETECTING CONVERGENCE CLUBS

2018· preprint· en· W2471470109 sur OpenAlex
Fuat Can Beylunioğlu, Thanasis Stengos

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMacroeconomic Dynamics · 2018
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensUniversity of Guelph
Organismes subventionnairesTürkiye Bilimsel ve Teknolojik Araştırma Kurumu
Mots-clésConvergence (economics)Pairwise comparisonContext (archaeology)Monte Carlo methodConvergence clubsEconometricsComputer scienceA priori and a posterioriRate of convergenceMathematical optimizationMathematicsEconomicsStatisticsArtificial intelligenceMacroeconomicsGeography

Résumé

récupéré en direct d'OpenAlex

The convergence hypothesis, which is developed in the context of growth economics, asserts that the income differences across countries are transitory, and developing countries will eventually attain the level of income of developed ones. On the other hand, convergence clubs hypothesis claim that the convergence can only be realized across groups of countries that share some common characteristics. In this study, we propose a new method to find convergence clubs that combines a pairwise method of testing convergence with maximum clique and maximal clique algorithms. Unlike many of those already developed in the literature, this new method aims to find convergence clubs endogenously without depending on a-priori classifications. In a Monte Carlo simulation study, the success of the method in finding convergence clubs is compared with a similar algorithm. Simulation results indicated that the proposed method perform better than the compared algorithm in most cases. In addition to the Monte Carlo, a new empirical evidence on the existence of convergence clubs is presented in the context of real data applications.

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.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), 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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,624
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,008

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 Opus0,025
Tête enseignante GPT0,223
Écart entre enseignants0,198 · 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