MétaCan
Menu
Retour à la cohorte
Enregistrement W2921715354 · doi:10.3390/jrfm12010040

What Factors Affect Income Inequality and Economic Growth in Middle-Income Countries?

2019· article· en· W2921715354 sur OpenAlexvenueno aff
Duc Hong Vo, Thang Cong Nguyen, Ngoc Phu Tran, Anh The Vo

Notice bibliographique

RevueJournal of risk and financial management · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesNational Foundation for Science and Technology Development
Mots-clésEconomic inequalityEconomicsIncome distributionGranger causalityInequalityDemographic economicsCausality (physics)Income inequality metricsSample (material)Development economicsEconometricsMathematics

Résumé

récupéré en direct d'OpenAlex

Income inequality in many middle-income countries has increased at an alarming level. While the time series relationship between income inequality and economic growth has been extensively investigated, the causal and dynamic link between them, particularly for the middle-income countries, has been largely ignored in the current literature. This study was conducted to fill in this gap on two different samples for the period from 1960 to 2014: (i) a full sample of 158 countries; and (ii) a sample of 86 middle-income countries. The Granger causality test and a system generalized method of moments (GMM) are utilized in this study. The findings from this study indicate that causality is found from economic growth to income inequality and vice versa in both samples of countries. In addition, this study also finds that income inequality contributes negatively to the economic growth in the middle-income countries in the research period.

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)0,000
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 enseignants0,033
Score d'incertitude au seuil0,522

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,016
Tête enseignante GPT0,269
Écart entre enseignants0,253 · 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

Citations73
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetIncome, Poverty, and InequalityTravaux en français237 207