Personal Finance Management Skills and Financial Sustainability Literacy Knowledge of Generation Y: An Empirical Analysis in Lithuania
Notice bibliographique
Résumé
Purpose We research Generation Y personal finance management skills by integrating three financial literacy measurement perspectives: financial knowledge, behaviour, and attitude towards sustainability. Design/methodology/approach A financial literacy measurement approach aligned with the OECD methodologies and comparative approach to evaluate the financial literacy competence of the Lithuanian youth (N=426) in the global context were applied. Analysis of variance using Levene’s test for equality of variances and t-test for equality of means were employed to check for the differences in Generation Y financial literacy patterns. The correlation between all three financial literacy perspectives was evaluated. Findings The results unfold Lithuanian millennials’ intermediate level financial literacy competence: moderate financial knowledge, positive financial behaviour, and more positive financial attitude towards sustainability, where the latter exceeds the global sustainability concern. Furthermore, our tests indicate the differences in Generation Y financial knowledge in terms of gender and education and the differences in their attitude on financial sustainability in terms of gender, education, income source, and monthly income. Moreover, our research evidences the statistically significant proportional relationship between Generation Y financial behaviour and their attitude towards the sustainability principles application in the financial services. Originality/value In terms of financial literacy, global research extensively focuses on selected countries; Lithuania, the Baltic States, or Eastern and Central European countries are seldom considered. Previous research identifies the existing differences between age groups when evaluating their financial literacy and level of personal finance planning skills. In contrast, our research contributes to increasing the body of knowledge of financial sustainability literacy, and to a better understanding of financial literacy by shedding light on the patterns of Generation Y in Lithuania and provides roots for developing insights for both finance literacy policy makers and financial service providers.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».