MétaCan
Menu
Retour à la cohorte
Enregistrement W4246613520 · doi:10.22610/jebs.v9i2(j).1662

Budget Deficits and Economic Growth: A Vector Error Correction Modelling of South Africa

2017· article· en· W4246613520 sur OpenAlexaff
Edward Kagiso Molefe, Andrew Maredza

Notice bibliographique

RevueJournal of Economics and Behavioral Studies · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensScience North
Organismes subventionnairesnon disponible
Mots-clésDisequilibriumEconomicsError correction modelDeficit spendingEconometricsReal gross domestic productMacroeconomicsEstimationUnemploymentCointegration

Résumé

récupéré en direct d'OpenAlex

The primary motivation behind this study was to explore the consequential effects of budget deficit on South Africa`s economic growth. Six variables were used, namely: real GDP, budget deficit, real interest rate, labour, gross fixed capital formation and unemployment. The Vector Error Correction Model (VECM) was used to estimate the long-run equation and also measure the correction from disequilibrium of preceding periods. Using annual time series data spanning the period 1985 to 2015, empirical evidence from the study revealed that budget deficits and economic growth are inversely related. It was therefore concluded that high levels of budget deficit in South Africa have detrimental effects on the growth of the economy. The estimate of the speed of adjustment coefficient found in this study revealed that about 29 per cent of the variation in GDP from its equilibrium level is corrected within one year. The results obtained in this study are favourably similar to those in the literature and are also sustained by previous studies.

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 enseignants0,325
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,182
Tête enseignante GPT0,289
Écart entre enseignants0,107 · 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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Economics and Behavioral StudiesMême sujetFiscal Policy and Economic GrowthTravaux en français237 207