MétaCan
Menu
Retour à la cohorte
Enregistrement W2551387007 · doi:10.5539/ijef.v8n12p175

An Empirical Study on the Factors Affecting Savings Bank Loan Interest Rates

2016· article· en· W2551387007 sur OpenAlexvenueno aff
Hyun Don Lee, Sang‐Bum Park

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueTechnology and Data Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInterest rateLoanFloating interest rateEconomicsInterest rate riskBank rateNet interest marginOfficial cash rateMonetary economicsEconometricsFinanceMonetary policyCentral bank

Résumé

récupéré en direct d'OpenAlex

The study analyzed reciprocal effects of base rate of the central bank, CD, CP, interest rates for bank deposits, bank loan interest, interest rate for savings bank deposits and savings bank loan interest. In particular, the study attempted to find an interest rate which affects interest rates of savings banks. If these variables affected interest rate decisions by savings banks, it would be possible to predict that movements of these variables in the future may affect changes of interest rates as well. In the impulse reaction function, CD rate and CP rate took the highest impact to the savings bank’s deposit interest and loan rate. In forecast error variance decomposition analysis, it was fond that the deposit interest and loan rate of the savings bank reciprocally affected each other. Then, CD rate and CP rate had the highest explanation power. Consequently, factors that affect the savings’ bank’s decision on interest rates were a bank’s deposit interest, CP and RP interest rate and RP rate which is the benchmark interest rate. The important point is that RP rate as the benchmark interest rate takes an important role because it becomes the base for influenced variables.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,300
Écart entre enseignants0,263 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetTechnology and Data AnalysisTravaux en français237 207