MétaCan
Menu
Retour à la cohorte
Enregistrement W3204330663 · doi:10.17762/ijritcc.v9i7.5475

Trends and determinants of raising ECBs in Indian Context

2021· article· en· W3204330663 sur OpenAlexaboutno aff
Ramakant Shukla

Notice bibliographique

RevueInternational Journal on Recent and Innovation Trends in Computing and Communication · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCredit Risk and Financial Regulations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMarket liquidityVolatility (finance)Interest rateContext (archaeology)Exchange rateCapital (architecture)EconomicsQuarter (Canadian coin)EconometricsBusinessMonetary economicsGeography

Résumé

récupéré en direct d'OpenAlex

This study examines the effect of capital control measures initiated during the last two decades in terms of all-in-cost ceilings and enhanced limits on ECB in India over the sample period 2004Q1 to 2020Q2. Using global liquidity, the exchange rate between INR/USD, imports and interest rate differentials as control variables and changes in capital control measures from 2008 to 2011 in the all-in-cost ceiling, and changes in the enhanced limits on ECBs from USD 500 million to USD 750 million under the automatic route in 2012, regression analysis of three ECB series show interesting results. Using Robust Least Squares method, we document that (1) the successive increment in all-in-cost ceilings on ECB from 2008 to 2011 is inducing ECBs to flow, indicating that Indian firms benefit more than they pay due to increase the cost for ECBs having maturities 3<5 years. However, such capital control measures are not effective on ECBs having maturities >5 years. (2) The effect of the enhanced limits on ECBs from USD 500 million to USD 750 million under the automatic route in 2012 has a pronounced impact on ECB, averaging 1602.1 USD million per quarter. We observed that CCAs in India are initiated in response to the volatility of the exchange rate and global liquidity, imports, and interest rate differentials are significant variables in India's required capital control actions.

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)0,001
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: Empirique
Score de désaccord entre enseignants0,644
Score d'incertitude au seuil0,346

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
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 Opus0,067
Tête enseignante GPT0,331
Écart entre enseignants0,265 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal on Recent and Innovation Trends in Computing and CommunicationMême sujetCredit Risk and Financial RegulationsTravaux en français237 207