MétaCan
Menu
Retour à la cohorte
Enregistrement W4285397098 · doi:10.5539/ijef.v14n8p11

The Nexus between Institutional Quality & Foreign Direct Investment (FDI) in Sub-Saharan Africa

2022· article· en· W4285397098 sur OpenAlexvenueno aff
Abdikarim Bashir Jama, Sabri Nayan

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueEconomic Growth and Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForeign direct investmentPanel dataNexus (standard)Rule of lawEconomicsCorporate governanceFixed effects modelQuality (philosophy)International economicsInflowPoliticsMacroeconomicsEconometricsFinancePolitical scienceGeography

Résumé

récupéré en direct d'OpenAlex

This study analyzes the nexus between foreign direct investment and institutional quality including political stability, rules of law, government effectiveness, voice & accountability, and regulatory quality. The major aim of this study is to examine the relationship between institutional quality and foreign direct investment. This study consists of a sample of Sub-Saharan African countries. Our study employed two-panel data techniques including Random Effect Model (REM) and Vector Autoregressive Model (VAR). The study period covers from 2015 to 2019. Empirical findings of REM indicated that both rules of law and government effectiveness have positive and statistically significant influences on foreign direct investment inflow in the SSA region. Similarly, the study utilized other explanatory variables such as the trade and labor force. The result of VAR highlighted the positive and statistically significant influence of labor force and trade on foreign direct investment inflow, therefore, the effectiveness & efficiency of region institutional quality are usually dependent on the robustness of those variables. Thus, the study recommends having higher foreign direct investment inflow in the region is necessary to make policy reforms that strengthen the quality and efficiency of governance.

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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,762
Score d'incertitude au seuil0,269

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,038
Tête enseignante GPT0,246
Écart entre enseignants0,207 · 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'étudeThéorique ou conceptuel
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetEconomic Growth and DevelopmentTravaux en français237 207