Does the Covid-19 Outbreak Impacts On Economic Growth? An Evidence from Indonesia
Notice bibliographique
Résumé
This study aims to analyze the effectS of the COVID-19 pandemic, labor, domestic direct investment (DDI), AND foreign direct investment (FDI) on economic growth in Indonesia. The type of data used in this study is panel data, which is a combination of cross-section and THE time series data (Silvia, 2020). The cross-section data involves 34 provinces and time-series data covers the period from the first quarter of 2018 to the second quarter of 2021. The result found out that the regression coefficient of labor has a positive and significant effect at the 5 percent level, which means that if the number of workers increases by 1 percent, economic growth will increase by 0.03 percent. Furthermore, the FDI variable also has a significant and positive effect on economic growth in Indonesia. We can see in table 3.2 that the FDI variable is significant at the 5 percent level with a regression coefficient of 0.012, this means that an increase in FDI by 1 percent will accelerate economic growth by 0.012 percent. From the results of data processing obtained by the author, it can be seen that the DDI variable has a positive but not significant effect on economic growth in Indonesia, this can be seen from the p-value which is greater than 5 percent. The regression coefficient of -0.001 proves that the COVID-19 pandemic has a negative impact on economic growth in Indonesia. When the COVID-19 pandemic reached the territory of Indonesia, economic growth slowed by 0.001 percent.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».