Digital Financial Literacy and Its Impact on Financial Decision-Making of Women: Evidence from India
Notice bibliographique
Résumé
Despite the increasing accessibility of digital financial instruments globally, a number of women encounter obstacles in properly using these platforms due to insufficient digital financial literacy, which profoundly affects their financial decision-making and economic empowerment. This study aims to promote digital financial literacy and Fintech adoption for women in India by examining the effects of digital financial literacy on financial decision-making while considering the mediating effect of government support and digital financial literacy. Furthermore, in this study, we analyzed the relationship between independent variables such as financial attitude (FAtt), subjective norms (SNs), perceived behavior control (PBC), digital financial literacy (DFL), and financial accessibility (FA) on the dependent variable, i.e., financial decision-making (FDM). We also explored how financial decision-making impacts women’ intention towards investment (INT). By analyzing 385 Indian women respondents using Structural Equation Modeling (SEM), this study revealed that financial attitude (FAtt) leads to higher financial decision-making (FDM), exerting moderate effects. Similarly, subjective norms (SNs), perceived behavioral control (PBC), digital financial literacy (DFL), and financial accessibility (FA) significantly lead to financial decision-making. Overall, the five predictors of financial decision-making explained around 71% of the variance. Financial decision-making exerted a significant and robust effect on women’s intention towards investment. Financial resilience significantly moderated the effects of financial decision-making on women’s intention towards investment. These findings emphasize the necessity of implementing a distinct government strategy and programs to enhance the adoption of Fintech among women living in urban and rural regions across India. This study is aligned with UN Sustainable Development Goals, especially Sustainable Development Goal (SDG) 1: No Poverty, SDG 5: Gender Equality, and SDG 8: Decent Work and Economic Growth.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».