Empirical Evidence of Okun's Law in the Philippine Economy: A Cointegration Analysis
Notice bibliographique
Résumé
This study investigates the influence of relevant macroeconomic variables on unemployment in the Philippines. Specifically, it aims to: find a coefficient that would characterize the relationship of the between unemployment and GDP using a standard cointegration approach; investigate relevant macroeconomic factors that may affect unemployment; and draw economic and policy implications that will guide policymakers in crafting public policies in improving employment generation. It used quarterly time series data from the first quarter of 1989 to fourth quarter of 2004. Cointegration test was used to determine the long-run relationship while an error correction was employed to determine the short-run behavior of the data. Results of the study reveals that in the long-run a 1% increase in GDP is associated with a reduction in unemployment by 0.7%. While in the short-run, GDP has a larger effect on cutting unemployment; an increase in GDP by 1% results to a decrease in unemployment by 0.95%. Thus there is evidence to indicate that Okun’s law is relevant in the Philippine economy. The sectoral analysis shows that the economy’s industrial and agriculture sectors are found to have a negative effect on the general unemployment level. However, the service sector on the other has a positive effect, implying that as its output grows, unemployment tends to rise as well. This is probably due to job and skills mismatch in the service sector which leads to structural unemployment. It is recommended that the industry sector be prioritized especially the manufacturing and construction subsectors, in the development planning process.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».