MétaCan
Menu
Retour à la cohorte
Enregistrement W2726131600

PENGARUH RISIKO LIKUIDITAS, RISIKO KREDIT, RISIKO PASAR DAN RISIKO OPERASIONAL TERHADAP RETURN ON ASSETS (ROA) PADA BANKUMUM SWASTA NASIONAL DEVISA

2015· dissertation· id· W2726131600 sur OpenAlexaboutno aff
Novia Tri Utami

Notice bibliographique

Revuenon disponible
Typedissertation
Langueid
DomaineBusiness, Management and Accounting
ThématiqueFinancial Analysis and Corporate Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForeign exchangeBusinessFinancial statementQuarter (Canadian coin)Financial systemCredit riskFinanceAccountingEconomicsMonetary economicsGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The Study Entitled Business Risk Influence Toward ROA ( Return On Asset ) In The Foreign Exchange National Private Banks Go Public. In this study aims to determine whether the LDR, IPR, NPL, IRR, BOPO, and FBIR have a significant impact on ROA jointly and individually for state banks in the beginning of the period first quarter 2010 to fourth quarter year 2013. Data and data collecting method used in this research is secondary data source from quarterly financial statement from Foreign Exchange national private banks go public Financial statement appendix researched from quarterly financial statement I 2010 until quarterly financial statement IV 2013. Data analysis technique used in this research in regression analysis, F-test and T-test.Use of the analysis carried out for the steps in calculating financial ratios and analysis to test the hypothesis. Based on the calculation result known that the LDR, IPR, NPL, IRR, BOPO and FBIR, jointly simultan in the Foreign Exchange National Private Banks Go Public Key Words:Banking business risk, Regression analysis, Business Risk Influence Towards ROA.

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)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0030,003
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,000
Communication savante0,0030,004
Science ouverte0,0030,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,006

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 GPT0,248
Écart entre enseignants0,224 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations1
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFinancial Analysis and Corporate GovernanceTravaux en français237 207