Nonlinear Granger Causality between Health Care Expenditure and Economic Growth in the OECD and Major Developing Countries
Notice bibliographique
Résumé
Differing from previous studies ignoring the nonlinear features, this study employs both the linear and nonlinear Granger causality tests to examine the complex causal relationship between health care expenditure and economic growth among 15 Organisation for Economic Co-operation and Development (OECD) and 5 major developing countries. Some interesting findings can be obtained as follows: (1) For Australia, Austria, and UK, linear and nonlinear Granger causality does not exist between them. A unidirectional linear or nonlinear causality running from economic growth to health care expenditure can be found for Ireland, Korea, Portugal, and India. For these seven countries, health or fiscal policy related to health spending will not have an impact on economic growth; (2) For Belgium, Norway, and Mexico, only a unidirectional linear causality runs from health care expenditure to economic growth, while bidirectional linear causality can be found for Canada, Finland, Iceland, New Zealand, Spain, Brazil, and South Africa. Especially for the US, China, and Japan, a unidirectional nonlinear causality exists from health spending to economic growth. To improve the quality of national health, life quality and happiness, these 13 countries should actively look to optimise policy related to health care expenditure, such as by enhancing the efficiency of health costs to promote sustainable economic development.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».