Finance and Green Growth: A Comment on De Haas and Popov (2023)
Notice bibliographique
Résumé
De Haas and Popov (2023) used a forty-eight-country, sixteen-industry and twenty-six-year panel to test how the size and structure of a country’s financial sector affect CO|$_2$| emissions. This comment revisits the results by correcting two coding errors: failing to cluster the SEs and improperly implementing the generalised method of moments (GMM) estimator. Robust SEs are only significant at 10%, while the magnitudes of the GMM results are reduced by a factor of 2 to 4.1 There are inconsistencies between how SEs are calculated in the scripts provided by De Haas and Popov (2023), and how they are described in the main text. For their country panel, the authors stated that the SEs are clustered at the country level. However, in their script, the authors either only adjusted the SEs to account for heteroscedasticity or did not make any SE adjustments. The SEs in Table A1 in Appendix A are clustered at the country level for the first four columns, and account for heteroscedasticity for the GMM estimator. Compared to the results in Table 2 of De Haas and Popov (2023), the precision of the coefficients of interest is reduced. The results are now either statistically insignificant or only significant at the 10% level.
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 | 0,001 | 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 ».