MétaCan
Menu
Retour à la cohorte
Enregistrement W4282554999 · doi:10.1002/ijfe.2654

Foreign exchange market asymmetries in Pacific small island developing states: Evidence from Fiji

2022· article· en· W4282554999 sur OpenAlexaboutno aff
Devendra Kumar Jain, Rup Singh, Arvind Patel, Ronal Chand

Notice bibliographique

RevueInternational Journal of Finance & Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal Financial Crisis and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsExchange rateExternal debtInternational economicsFinancial crisisMonetary economicsCurrent accountForeign exchange marketFinancial marketForeign-exchange reservesPopulationCurrencyDebtMacroeconomicsFinance

Résumé

récupéré en direct d'OpenAlex

Abstract After abandoning Bretton Wood, the foreign exchange market has been dominated by three types of economies: export‐oriented economies (China and other Asian countries), commodity economies (Australia, New Zealand, Canada, and oil exporting nations) and reserve‐currency economies (US, EU, UK, and Swiss). As a result, the asymmetric development of the foreign exchange market has reduced the monetary and fiscal space for PSIDS, which face structural challenges such as a low population base, import dependence, aid dependency, climate risk, and political uncertainty. The ‘Exchange Market Pressure Index’ (EMPI) for Fiji is developed in this article to quantify the pressure on the exchange rate and monetary authorities' responses to micromanaging balance sheet impacts. The calculated EMPI accurately reflects four instances of financial distress in Fiji, including significant exchange market pressure in response to growing trade deficits and external debt, the global financial crisis's contagion effect, and political uncertainty. Our EMP Index's robustness is attributed in part to the employment of a dynamic time series estimate method, a time‐varying weighing scheme, and a high‐frequency monthly dataset.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,166
Score d'incertitude au seuil0,331

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,041
Tête enseignante GPT0,240
Écart entre enseignants0,199 · 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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Finance & EconomicsMême sujetGlobal Financial Crisis and PoliciesTravaux en français237 207