Logit Analysis of the Relationship between Interest Rate Ceiling and Micro Lending Market in Kenya
Notice bibliographique
Résumé
Interest rate ceilings have been declining over the past decades as most developing countries continue liberalizing their financial policies. Prior to 2015, Kenya’s banking sector was vibrant and highly profitable. The sector loan book grew at an impressive compound annual rate of 16% in 2011 to 35% in 2015. However, after interest rate cap in 2016, there has been a general slowdown in micro lending and rise in non-performing loans. Some studies argue that the ceiling protects consumers from exploitation and guarantees access to credit while others observe the contrary. This study sought to establish the relationship between interest rate ceiling and micro lending in Kenya. It was anchored on financial accelerator effect theory and the theory of financial repression. The study relied on secondary data from Banks and Micro Entrepreneurs. Logit models were estimated to establish the relevant relationships. It was established that interest rate ceiling had significant negative association with credit supply and default rate. However, it had a significant positive association with cost of Credit. Both Nagelkerke’s R2 and Cox and Snell’s showed that the estimated model fitted well. The Wald criterion demonstrated that credit supply, costs of credit and default rate were significantly different from zero. Thus, the independent variables were significantly affected by interest rate ceiling. It is recommended that banks pursuing policy of increasing credit supply and reducing cost of credit should advocate for the repeal of interest rate ceiling while those interested in reducing default rate should advocate for its retention.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».