Analysis of Ghana’s Gross Domestic Product from 1960 - 2019
Notice bibliographique
Résumé
The most popular metric for assessing or predicting global economic progress is the GDP. The objective of this report was to analyze the GDP of Ghana from the period 1960 – 2019. Secondary data was obtained, and trend analysis was done using the linear, quadratic, and exponential trend models to determine which model best fits the dataset. Trend analysis is a technique for examining and forecasting the movements of an item based on current and historical data. The results from the trend analysis showed that the exponential trend model had the lowest Mean Absolute Percent Error (MAPE), Mean Absolute Deviation (MAD), and Mean Square Deviation (MSD). When compared to the other models, the exponential trend model fits the dataset better, which is why it was chosen to forecast Ghana's GDP. The forecast showed that Ghana's GDP is expected to grow in the coming years to about $77 billion by 2026. Agriculture is considered as the backbone of Ghana and the country imports majority if its fertilizer from Russia. The challenges the Ghanaian economy is currently facing due to inflation, the global pandemic (COVID-19), and the Russia- Ukraine conflict could have an impact on the country’ economic growth. Moreover, a change in leadership in the coming 2024 presidential election, could also have an impact on the projection. There are both positive and negative effects due to changes in leadership on economic growth. Keywords: GDP, linear, quadratic, exponential, forecast, economic DOI: 10.7176/JESD/14-2-07 Publication date: January 31 st 2023
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».