MétaCan
Menu
Retour à la cohorte
Enregistrement W7119507182 · doi:10.33423/jabe.v27i6.8053

Domestic Financial Architecture and Demand Side Intermediation Performance: Finametric Intertemporal Evidence From Nigeria

2025· article· W7119507182 sur OpenAlexvenueno aff
Charles Chekwa, Tony Emetu, Chinonye Onwuchekwa, Chinedu B. Ezirim

Notice bibliographique

RevueJournal of Applied Business and Economics · 2025
Typearticle
Langue
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFinancial intermediaryDemand sideIntermediationMonetary policyReduction (mathematics)Financial analysis

Résumé

récupéré en direct d'OpenAlex

This study aimed at unveiling the effects of the bank-based domestic architectural prescription on the demand side intermediation performance of banks in Nigeria. Finametric intertemporal long- and short-run modelling and estimations were made using the Johansen and Jusellius approach to cointegration, error-correction parameter estimation, and the VAR-Granger-causality/block-exogeneity-Wald tests. These were applied against quarterly data from 2010Q1 to 2022Q4. Results reveal that the architectural variables of MPR, SLR, and CRR jointly caused variations in the RCG demand side financial intermediation Performance of banks, both in the long- and short-runs. Individually, MPR negatively but strongly cause significant changes in the RCG performance, in both runs. SLR strongly and positively cause variations in RCG, in both runs. The CRR negatively, but does not affect RCG, in both runs. Policy options would include the systematic and carefully-timed reduction of the MPR (thereby, encouraging banks’ access to the discount window). Secondly, systematic and well-timed increase in the SLR would be a concerted policy alternative to the monetary authorities.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,011
Tête enseignante GPT0,213
Écart entre enseignants0,202 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Business and EconomicsMême sujetBanking stability, regulation, efficiencyTravaux en français237 207