MétaCan
Menu
Retour à la cohorte
Enregistrement W7017634665

ANALISIS FAKTOR-FAKTOR
\nYANG MEMPENGARUHI INFLASI
\nDI INDONESIA PERIODE 2000.1 â 2011.4

2012· dissertation· en· W7017634665 sur OpenAlexaboutno aff

Notice bibliographique

RevueUNDIP Institutional Repository (UNDIP-IR) (Diponegoro University) · 2012
Typedissertation
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Fiscal Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInflation (cosmology)Exchange rateMoney supplyGross domestic productOrdinary least squaresQuarter (Canadian coin)VariablesVariable (mathematics)Real gross domestic productRegression analysis
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

One of the problems that often occur in developing countries in implementing the country's development is how to maintain stability and economic growth. Economic stability in terms of stability regarding the price level, the level of national income and employment growth. The main objective of this study was to analyze the factors affecting inflation in Indonesia in 2000.1-2011.4 period. The variables used are: gross domestic product (GDP), the money supply in a broad sense (M2), interest rate, Bank Indonesia certificates (SBI), and the exchange rate of rupiah against the U.S. dollar.
\nThe data used in this study is time series data in the quarterly period from 2000.1 to 2011.4, using multiple linear regression with the method of Ordinary Least Square (OLS).
\nThe results of this analysis states that the variable gross domestic product and the SBI rate are positive and significant effect on inflation. While exchange rate are positive and not significant effect on inflation. In the other hand, the variables in the money supply (M2) is negative and significant effect on inflation in the quarter a year of research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,405
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,189
Écart entre enseignants0,173 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUNDIP Institutional Repository (UNDIP-IR) (Diponegoro University)Même sujetEconomic Growth and Fiscal PoliciesTravaux en français237 207