Macroeconomic Drivers of Private Equity Penetration in Sub-Saharan African Countries
Notice bibliographique
Résumé
The objective of this study is to investigate in to the drivers of private equity penetration in Cameroon, Nigeria, Ghana, Kenya and South Africa. Secondary data was collected from private equity and venture capital data bases (CapitalIQ, Preqin, Burgiss and Mergermarket), World Bank development indicators, regional private equity and venture capital associations and country specific stock market websites. The Panel Two-Stage Least Squares Instrumental Variables (2SLS IV), Panel Corrected Standard Errors (PCSE) and Feasible Generalised Least Squares (FGLS) estimation techniques were used. This was due to potential problems of endogeneity and spherical errors of serial correlation, heteroskedasticity, cross sectional dependence and multicollinearity. The results using the 2SLS IV estimation technique show that stock market capitalisation, GDP per capita, banking credit to private sector, real exchange rate and private investments are key macroeconomic drivers of private equity penetration in the selected Sub-Saharan African countries. Inflation had negative and insignificant effect on private equity penetration in the selected countries. The results using the PCSE and FGLS estimation techniques show that the signs of all the variables remain the same as was the case in the 2SLS IV estimation technique though the magnitudes were different. However, the results of PCSE and FGLS estimation techniques show that banking credit to private sector is significant in the FGLS model while private investments is significant in the PCSE model. GDP per capita, real exchange rate, stock market capitalisation and inflation are significant in both the PCSE and FGLS estimation techniques.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».