MétaCan
Menu
Retour à la cohorte
Enregistrement W2559123199 · doi:10.15405/epsbs.2016.11.02.12

Household Debt and Macroeconomic Variables in Malaysia

2016· article· en· W2559123199 sur OpenAlexaboutno aff
Masturah Ma’in, Nur AmiraIsmarau Tajuddin, Siti Badariah Saiful Nathan

Notice bibliographique

Revue˜The œEuropean Proceedings of Social & Behavioural Sciences · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsDebtGross domestic productUnemploymentIndex (typography)Household debtQuarter (Canadian coin)Ordinary least squaresExternal debtPrice indexVariablesInterest rateDebt-to-GDP ratioMonetary economicsMacroeconomicsEconometricsGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

The rise of household debt in Malaysia has caused consternation since it has almost reached 89.1% of total GDP. The level of household debt is deemed to be at worrying stage as it may trigger another financial crisis. The purpose of this study is to examine factors that influence household debt in Malaysia via time series data. This study employs the ordinary least square (OLS) method and the macroeconomic variables used consist of base lending rate, housing price index, gross domestic product and unemployment as independent variables taken in the period from quarter one 2008 to quarter four 2015. The results show that the housing price index is the most significant variable, followed by base lending rate, unemployment and gross domestic product. House pricing index and gross domestic product show positive relationships with household debt, which indicates that the rise of household debt is determined by the rise of these explanatory variables. However, base lending rate and unemployment are found to have negative effects on the rise of household debt. The data are taken from Bank Negara Malaysia report, National Property Information Centre (NAPIC) and Asia Regional Integration Centre.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,107
Score d'incertitude au seuil0,357

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,217
Écart entre enseignants0,195 · 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 tête enseignante, 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

Citations12
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue˜The œEuropean Proceedings of Social & Behavioural SciencesMême sujetIslamic Finance and Banking StudiesTravaux en français237 207