Implementasi Panel Data Analysis untuk Seleksi Fitur Capital Structure Sebelum dan Saat Pelaksanaan Pembangunan Infrastruktur pada Perusahaan Indonesia yang Terdaftar di BEI
Notice bibliographique
Résumé
Rencana pembangunan infrastruktur dipercaya menjadi penyebab meningkatnya rasio utang BUMN terhadap modal. Penelitian ini bertujuan untuk membuktikan apakah ada perbedaan leverage BUMN yang signifikan sebelum (2010-2014) dan saat pelaksanaan (2015-2019) rencana pembangunan infrastruktur Presiden Jokowi. Populasi penelitian adalah perusahaan non-finansial yang terdaftar di BEI pada periode 2010-2019. Data dianalisa dengan paired t-test dan panel data regression untuk mengetahui pengaruh state ownership, firm size, profitability, growth, tangibility, liquidity, firm risk, and debt tax shield pada capital structure. Hasil penelitian menunjukkan bahwa ada perbedaan signifikan antara tingkat leverage BUMN periode 2010-2014 dan 2015-2019. Leverage dan profitability merupakan faktor penentu yang signifikan di dua periode, sementara state ownership tidak signifikan di dua periode tersebut. Growth dan debt tax shield merupakah faktor yang signifikan di periode 2010-2014, tapi tidak di periode 2015-2019. Di sisi lain, tangibility tidak memiliki pengaruh signifikan di periode 2010-2014, tapi memiliki pengaruh signifikan di periode 2015-2019.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».