MétaCan
Menu
Retour à la cohorte
Enregistrement W3120822069 · doi:10.5267/j.msl.2020.12.012

Pension and retirement intentions as determinants of employee engagement and productivity

2021· article· en· W3120822069 sur OpenAlexvenueno aff
Nur Hasan Kurniawan, Mahmuddin Yasin, Hamidah Hamidah

Notice bibliographique

RevueManagement Science Letters · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPensionStratified samplingPrivate pensionLikert scaleProductivityHuman resourcesSample (material)BusinessHuman resource managementNoveltyGovernment (linguistics)Scale (ratio)Actuarial scienceMarketingEconomicsPsychologyFinanceManagementEconomic growthSocial psychologyStatisticsGeography

Résumé

récupéré en direct d'OpenAlex

The issue of pension funds is not only a financial matter, but also a human resource. Pension funds do not stand alone, but are assumed to be related to other human resource (HR) variables. Starting from this background, this study aims to examine the effect of the occupational pension scheme (OPS) and retirement intentions (RI) variables partially on employee productivity (EP) directly or through employee engagement (EE), the effect of OPS on RI, and the effect of OPS on EP through RI. Post-positivist is the research paradigm, with a quantitative research approach, with explanatory causal types and statistical studies. Dapenma-Pamsi is selected as the location of this research and we choose the Joint Pension Fund of municipal waterwork which are located in six provinces in Java Island. The sampling technique for this study was proportionate stratified random sampling, with a total sample of 500 active Dapenma-Pamsi participants in six provinces in Java. The research instrument was a questionnaire with a Likert scale of 1-7. The data analysis technique used SEM-AMOS. The results of the study are supported by ten research hypotheses. The novelty of this research is the integration of variables rooted in the discipline of financial management and variables from the discipline of human resource management. This research is also could help Indonesia Government foster the growth of Private Pension Fund Program in Indonesia.

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)0,002
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 enseignants0,041
Score d'incertitude au seuil0,891

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,001
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 Opus0,024
Tête enseignante GPT0,255
Écart entre enseignants0,231 · 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207