Revisiting the FDI–Growth Nexus: ARDL Bound Test for BRICS Standalone Economies
Notice bibliographique
Résumé
In this paper the author tests for the short-run dynamics and long-run cointegration relationship between foreign direct investment (FDI) inflows and economic growth for the BRICS (Brazil, Russia, India, China, and South Africa) standalone economies controlling for real exchange rate, trade openness, and domestic investment. The autoregressive distributed lag (ARDL) bounds testing method of cointegration is used to test for the long-run relationship of our FDI time series model by investigating annual macroeconomic datasets for the years 1981 to 2018 (inclusive). Coupled with the ARDL, the error correction model is applied to test for the short-run dynamics, while the Toda Yamamoto test is used to examine the causality direction between the constructs of interest. The Breusch-Godfrey and Ljung-Box are used as diagnostic tests for the ARDL assumptions of normality, independency, and autocorrelation in residuals, while the Breusch-Pagan-Godfrey test is used to test for heteroscedasticity. According to the short-run estimates, all variables have a significant lagged impact on FDI inflows with slight differences among countries. As for the long run, estimates reveal a positive and significant impact of GDP on FDI inflows for Russia, India, China, and South Africa but a positive and insignificant relationship for Brazil. The long-run estimates for the controlling variables evidence varied results among the BRICS countries. In contrast to Brazil and Russia, the Toda Yamamoto causality test discloses a significant and unidirectional flow between the GDP growth and FDI inflows for India, China, and South Africa. The results have meaningful implications for policy reform structures, economic integration among economies, multinational firms, and portfolio managers.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».