ANALISIS STABILITAS KEUANGAN GLOBAL 8 NEGARA TERPILIH (PENDEKATAN PANEL REGRESSION)
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui dampak terjadinya krisis ekonomi global pada 8 negara terpilih yaitu Indonesia, Hongkong, USA, Australia, Brazil, Kanada, India dan Jepang. Variabel dalam penelitian ini adalah Suku Bunga, Inflasi, Transaksi Berjalan, Cadangan Devisa, Foreign Direct Investment (FDI), Nilai Tukar dan Saham. Indikator pada penelitian ini dipilih indeks saham JKSE (Jakarta Composite Index) yang mewakili bursa saham Indonesia, HSI (Hang Seng Index) yang mewakili bursa saham Hong Kong, DJI (Dow Jones Industrial Average) yang mewakili bursa saham Amerika Serikat, AORD (All Ordinaries) yang mewakili bursa saham Australia, BVSP (Bovespa Sao Paoloo) mewakili bursa saham Brazil, TSX (Toronto Stock Exchange) mewakili bursa saham Kanada dan BSESN (Bombay Stock Exchange) mewakili bursa saham India. Metode analisis yang digunakan dalam penelitian ini adalah menggunakan model Panel Regression. Hasil penelitian Panel Regression diketahui bahwa nilai prob t statistic Suku Bunga dan Cadangan Devisa berpengaruh signifikan terhadap Nilai Tukar, sedangkan nilai prob t statistic pada variable saham menjelaskan bahwa Suku Bunga, Cadangan Devisa dan Foreign Direct Investment berpengaruh signifikan terhadap Saham negara Indonesia, Hongkong, USA, Australia, Brazil, Kanada, India dan Jepang. Hal ini disebabkan lemahnya fundamental ekonomi suatu Negara serta nilai suku bunga domestik di Indonesia sangat terkait dengan tingkat suku bunga internasional dimana akses pasar keuangan domestik terhadap pasar keuangan internasional serta kebijakan nilai tukar mata uang yang kurang fleksibel.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,013 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».