Is there a link between undernourishment, political climate and other socio-economic variables? Evidence from low-income countries
Notice bibliographique
Résumé
Purpose The authors investigate the role played by the political climate and other covariates on the prevalence of undernourishment for 34 low-income countries across a 21-year period. Design/methodology/approach Political climate is measured in terms of political freedoms and civil liberties. The authors follow a Granger causality approach, which looks at predictive causality (i.e. causality in a temporal sense). For the socio-economic data, the authors rely on annual time series data from the World Bank. Findings Most of the findings are in keeping with our expectations: (1) Lowering women's fertility rate lowers undernourishment; (2) undernourishment converges to its long-run equilibrium path in response to changes in income, political climate, health expenditure, fertility rate and drinking water access; (3) the effect of an instantaneous shock from income, changes to the political climate, health expenditure, fertility rate and drinking water access on undernourishment are completely adjusted in the long run. One surprising result is that there is a positive and significant relationship between the prevalence of undernourishment and political freedom. The authors offer several possible explanations for this unexpected result. Practical implications Given our results, careful attention to the co-curation of policies is desirable. As an example, the authors would advocate a more proactive role by the richer countries in terms of their commitments to foreign aid in addressing the identified problems. Originality/value The authors use advanced panel data techniques, considering a long span of time. Unlike other studies which aim to establish correlations, the authors test for Granger causality.
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 | 0,002 | 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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».