Exploring correlations between economic indicators with natural and societal factors based on linear regression model
Notice bibliographique
Résumé
Existing research on the determinants of a nation’s economic development has predominantly centered on individual factors, including energy, land resources, education, taxes, employment, and healthcare. Regrettably, there is a paucity of studies that holistically examine these factors collectively and assess their respective contributions to economic development. Therefore, the primary objective of this study is to investigate the interrelationships between economic indicators and various natural and societal factors. The article firstly uses the Pearson’s correlation coefficient to filter out a portion of the higher degree of correlation from factors that may have an impact on the country’s economic development for further analysis. For the selected factors, using two linear regression models: Ordinary Least Square (OLS) method for preliminary modeling for the extent of affects between each factors and economy; and Fully Modified Ordinary Least Squares (FMOLS) method, as an optimization model, further eliminating the less influential variables. After obtaining the final impact model of the linear correlation, the data is screened based on the variables within the model. A portion of the selected data is used as a training set for training the model and the remaining data is used as a test set for testing the performance. The results of the study show that factors including land area, army size, CO2 emissions, population, minimum wage, would have varying degrees of integrated impact on the economic development of the country.
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 | 0,000 |
| 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 ».