MétaCan
Menu
Retour à la cohorte
Enregistrement W4412190451 · doi:10.3390/jrfm18070381

From Boom to Bust: Unravelling the Cyclical Nature of Fiji’s Money Demand

2025· article· en· W4412190451 sur OpenAlexvenueno aff
Nikeel Nishkar Kumar, Kulsoom Bibi, Rajesh Mohnot

Notice bibliographique

RevueJournal of risk and financial management · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIsland Studies and Pacific Affairs
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBustBoomKeynesian economicsEconomicsMonetary economicsOceanographyGeology

Résumé

récupéré en direct d'OpenAlex

This study investigates cyclical asymmetries in money demand models considering the moderating effect of financial development. Prior research has overlooked this issue in the money demand literature within the Fijian context, where research is outdated. Using annual data from 1983 to 2023, we find that income elasticity is about positive unity, irrespective of recessions or expansions. In expansions, an increase in interest rates reduces money demand. An increase in interest rates reduces money demand nine times more strongly in recessions. These effects are accentuated with financial development. Declining interest rates do not impact money demand. The findings suggest that stable money demand could be achievable, but only once the impact of structural breaks is accounted for. Under ideal conditions—without such breaks—money demand exhibits stability, and its connection to income and interest rates appears predictable. However, in reality, structural disruptions complicate this relationship, making money demand less consistent with its key drivers and undermining the reliability of money supply as a monetary policy instrument. The findings align with the pulling on a string hypothesis that monetary contractions control inflation, but expansions may not impact output.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,005
Tête enseignante GPT0,252
Écart entre enseignants0,247 · 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'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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetIsland Studies and Pacific AffairsTravaux en français237 207