MétaCan
Menu
Retour à la cohorte
Enregistrement W4398429385 · doi:10.7910/dvn/3kkggb

Replication Data for: Migrants as Engines of Financial Globalization: The Case of Global Banking

2022· dataset· en· W4398429385 sur OpenAlexaff
Alexandra O. Zeitz, David Leblang

Notice bibliographique

RevueHarvard Dataverse · 2022
Typedataset
Langueen
DomaineSocial Sciences
ThématiqueMigration, Ethnicity, and Economy
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésReplication (statistics)GlobalizationBusinessFinancial systemEconomicsMarket economyBiologyVirology

Résumé

récupéré en direct d'OpenAlex

Does international migration contribute to the spread of global commerce? Recent work demonstrates the relevance of international migration for patterns of investment, focusing on migrants’ role in facilitating investment from their host country to their country of origin. By contrast, we investigate the potential for migrants to attract inward investment into their host country. As customers, migrants shape the composition of the market in the country where they live, such that global networks of migrants can shape investment decisions of co-national firms. Focusing on a single sector, banking, we identify the mechanisms by which international migration attracts foreign investment. First, migrants may prefer home country banks, especially if they are excluded from financial services in their host country. Second, migrants require financial institutions to send remittances to their country of origin. We test these arguments using a global sample of foreign bank ownership data and find that bilateral migrant networks are a predictor of cross-border banking investment. These findings speak to how the composition of markets affects international investment, as well as the reinforcing relationship between two features of globalization: international migration and financial integration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,206

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0010,000
Communication savante0,0030,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0620,045

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 Opus0,040
Tête enseignante GPT0,325
Écart entre enseignants0,286 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

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

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHarvard DataverseMême sujetMigration, Ethnicity, and EconomyTravaux en français237 207