MétaCan
Menu
Retour à la cohorte
Enregistrement W4394764027 · doi:10.3390/jrfm17040153

Role of Remittance on Sustainable Economic Development in Developing and Emerging Economies: New Insights from Panel Cross-Sectional Augmented Autoregressive Distributed Lag Approach

2024· article· en· W4394764027 sur OpenAlexvenueno aff
Shasnil Avinesh Chand, Baljeet Singh

Notice bibliographique

RevueJournal of risk and financial management · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRemittanceDistributed lagEconomicsCointegrationEconomic rentEndogeneityGlobalizationPer capitaPanel dataEmerging marketsSustainable developmentMacroeconomicsEconometricsEconomic growthPopulationMicroeconomics

Résumé

récupéré en direct d'OpenAlex

In this study, we aim to investigate the effects of remittance on sustainable economic development in 52 developing and emerging economies from 1996 to 2021. The study uses other variables such as real GDP per capita, total natural resource rents, globalization, and foreign direct investment. To achieve the mentioned objective, we apply a series of second-generation panel estimation approaches. These include CIPS unit root, Westerlund cointegration, cross-sectional augmented autoregressive distributed lag (CS-ARDL), and robustness using augmented mean group (AMG) and common correlated mean group (CCEMG). These methods are useful provided they are robust towards cross-country dependencies, slope heterogeneity, endogeneity, and serial correlation, which are disregarded in the conventional panel estimations. The empirical findings indicate that remittance accelerates sustainable economic development. Additionally, real GDP per capita and globalization also positively contribute towards sustainable economic development. However, total resource rents deteriorate sustainable economic development. This study offers key policy implications based on the empirical findings for the developing and emerging economies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,504
Score d'incertitude au seuil0,967

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,203
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetEnergy, Environment, Economic GrowthTravaux en français237 207