DETERMINANTS OF U.S. OUTBOUND TOURISM TO CANADA, MEXICO AND WESTERN EUROPE: EMPIRICAL EVIDENCE FROM AN AUTOREGRESSIVE DISTRIBUTED LAG MODEL
Notice bibliographique
Résumé
This article investigates U.S. outbound tourism demand for selected major foreign destinations, namely Mexico, Canada and Western Europe, using the Autoregressive Distributed Lag model (ARDL) and quarterly data during the period 1995Q4 -2016Q4. No study in the tourism literature conducted an empirical analysis on U.S. outbound tourism demand, the largest source of tourist arrivals in foreign destinations in the world, using ARDL modelling. Results from the Augmented Dickey-Fuller unit root testing methods ruled out that none of the variables under consideration, in this study, is in the order of I(2): both indicated that all the time series are integrated in the order of, either I(0), or I(1). The ARDL bounds tests reveal the existence of a long-run equilibrium relationship between the number of U.S. tourists' arrivals, relative prices of tourism in these selected foreign destinations, transportation costs, real U.S. personal disposable income, and real U.S. median home price as proxy for wealth. The estimated coefficients of the short-run dynamic ARDL models are negative as expected, and significant; thus, indicating that short-term deviations, due to shocks, are restored back into equilibrium from one period to the next at the rate of 46%, 87% and 91% for Mexico, Western Europe and Canada, respectively. Results of the CUSUM and CUSUMSSQ stability tests show that the models have remained relatively stable over the course of the study period. Overall, the findings provide useful insights for lawmakers and tourism management practitioners in those countries on how to develop policies aimed at promoting their tourism industries in order to achieve desired national goals.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».