MétaCan
Menu
Retour à la cohorte
Enregistrement W3093376455 · doi:10.5430/rwe.v11n5p348

Foreign Aid, Corruption, Economic Growth Rate and Development Index in Nigeria: The ARDL Approach

2020· article· en· W3093376455 sur OpenAlexvenueno aff
Amenawo Ikpa Offiong, Glory Sunday Etim, Rebecca Oliver Enuoh, Stephen Ekpo Nkamare, Godwin Bassey James

Notice bibliographique

RevueResearch in World Economy · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInternational Development and Aid
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDistributed lagIndex (typography)Language changeEconomicsHuman Development IndexGovernment (linguistics)Development economicsEconomic growthHuman development (humanity)Economy

Résumé

récupéré en direct d'OpenAlex

Foreign aid when properly utilized is expected to grow the economy of the receiving nation. Over the years Nigeria has benefitted from foreign aid inflows in a bid to stabilize its economy and build its infrastructure. This study desires to look into how the various foreign aid components (humanitarian aids, project aids and programme aids) have impacted the Nigerian economic growth rate and human development index giving the prevailing corruption index in the country as a moderating variable. Ex-post facto research design was adopted and data obtained from the Central Bank of Nigeria (CBN) Statistical Bulletin from 1990 to 2019. The study adopted autoregressive distributive lag (ARDL) techniques. It was revealed that as a result of the corruption perception index, there was a significant negative effect of foreign aid on the growth rate of Nigeria economy in the long run, while having a significant positive impact on human development index as well. In short run, foreign aids had a significant positive effect on the growth rate of the Nigerian economy, but an insignificant negative effect on human development index. However, government is encouraged to ensure that foreign aid is effectively channeled into agriculture, health, education and other productive areas.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,708
Score d'incertitude au seuil0,450

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 savante0,0000,000
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 Opus0,101
Tête enseignante GPT0,345
Écart entre enseignants0,244 · 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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in World EconomyMême sujetInternational Development and AidTravaux en français237 207