MétaCan
Menu
Retour à la cohorte
Enregistrement W4210802835 · doi:10.53383/100331

European Mortgage Markets Versus Institutions

2021· article· en· W4210802835 sur OpenAlexfundno aff
Selçuk Akçay, Begüm Şeren Güler

Notice bibliographique

RevueInternational Real Estate Review · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesMonash UniversityUniversity of ReadingTrent UniversityUniversity of South AlabamaNottingham Trent University
Mots-clésMortgage insuranceBusinessFinancial systemShared appreciation mortgageTransparency (behavior)Financial marketSecondary mortgage marketEnforcementInstitutional investorEuropean unionCreditorIndex (typography)FinanceDebtCorporate governanceEconomic policyInsurance policyPolitical science

Résumé

récupéré en direct d'OpenAlex

This study aims to measure the institutional features of residential mortgage markets in the European Union (EU) countries. The institutional features of the mortgage markets include access to credit information, protection of creditor rights, and enforcement of contracts among others, and attributes that define the evolution and functioning of mortgage markets. Differences among these features lead to institutional variations in mortgage markets among countries. In this study, we measure the institutional features along four dimensions (financial, legal, openness and cultural), and compare them to a benchmark. To achieve this, composite indices (overall index and its sub-indices) are developed with the use of a factor analysis. The findings show that the institutional features of the EU mortgage markets are diverse; northern European countries and the United Kingdom (UK) take the lead with respect to the institutional environment of their mortgage markets and have markets with higher institutional quality than the others. That is, these countries have mortgage markets with a more efficient legal framework, more government transparency in policymaking, easier access to financial services and credit information, etc.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0000,002
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,098
Tête enseignante GPT0,304
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), 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 Real Estate ReviewMême sujetHousing Market and EconomicsTravaux en français237 207