Predicting Household's Mobile Banking Saving Behavior in Western Kenya: An Algorithmic Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Digitalization holds promises to unlock savings accumulation in Africa. This paper predicts the mobile savings, taking advantage of machine learning to examine a massive set of features known theoretically and empirically to affect household savings behavior. The algorithm fits a generalized regression model through a penalized maximum likelihood. The work anchors in economic theory on savings but differs from the method standpoint to elicit mobile banking savings take-up and savings accumulation. Data covered thirty-six villages in Western Kenya. Predictors clustered into livelihoods, assets inventory, formation and use of assets, income generation and its use, food composition, intake and nutrition, the housing quality and tenureship, water and sanitation, energy use, family structure, social status architecture, adverse shocks to agricultural production (crop and livestock loss events) and demographics. Data include 1600 households from six different communities and 7,700 quarterly observations from 2013 to 2015. Although the results point to shreds of evidence that corroborate previous findings, we highlight in this paper mobile banking's role in the savings accounts ownership and savings accumulation, as well as the effects of age and employment status. Mobile phone ownership is a strong and significant predictor of savings account ownership. However, the mobile phone is a vehicle to fluctuating savings balance and encourages dissaving. Moreover, being young and in the workforce increases the mobile banking savings take-up but also the dissaving behavior, compared to older age group. This work subsets features that could improve product or policy design towards a better financial inclusion of rural poor.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle