The effect of inflation on income inequality: Evidence from a non-linear dynamic panel data analysis in indonesia
Notice bibliographique
Résumé
This research investigates the impact of inflation on income inequality in Indonesia. This study is part of a comprehensive examination investigating which monetary policy can be utilized to lessen inequality. As a central bank objective, inflation can influence the distribution of income, wealth, and endogenous consumption, hence defining inequality. This study employed dynamic panel data analysis for linear autoregressive data using the generalized method of moments (GMM) for both first differences GMM (FD-GMM or AB-GMM) and system GMM (Sys-GMM or BB-GMM) with regional data from 58 cities in 2010-2020. The Arellano-Bond estimator reveals a positive and statistically significant association between inflation and inequality. When inflation rises, the purchasing power of the poor will decline, while the wealthiest will benefit as their non-cash assets proliferate. This study finds, indirectly, that Indonesia’s monetary policy can play a crucial role in lowering income distribution gaps. As one of the nations with an inflation-targeting framework, the Indonesian Central Bank can target the inflation rate by considering inequality. The ITF becomes the most effective monetary policy for stabilizing prices and promoting economic stability. The ITF reduces income inequality by reducing inflation rates. The study also finds that, similar to other emerging nations, economic growth in Indonesia exacerbates inequality. Poverty can be reduced by increased economic growth, but the positive impact of development on the wealthy is significantly more significant than on the poor. Therefore, economic expansion increases inequality.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».