Analýza vývoje měnových kurzů (případ zemí exportujících a importujících suroviny)
Bibliographic record
Abstract
Tato bakalařska prace ma za cil analyzovat vztah mezi měnovými kurzy vybraných zemi a cenami komodit, ktere tyto země exportuji. Prace se snaži tento vztah bliže popsat a kvantifikovat. Vybranými zeměmi jsou Kanada, Japonsko, Norsko, Australie, Zambie a Burundi. Prace nejprve teoreticky popisuje vztahy mezi měnovými kurzy a fundamentalnimi velicinami. V druhe casti je popsana metoda empiricke analýzy. V praci je provedena korelacni a regresni analýza a popsany jsou i některe problemy, s kterými jsem se při ekonometricke analýze setkal. Zminěný vztah zkoumam v připadě Kanady, Japonska, Australie i Norska na měsicnich datech nominalniho efektivniho kurzu od roku 2000 do konce roku 2015. V připadě Burundi a Zambie zkoumam daný vztah od roku 1980 na rocnich datech realných efektivnich kurzů až do roku 2014. Při analýze jsem zjistil, že dane měnove kurzy skutecně vykazuji zavislost na cenach daných komodit. Největsi zavislost vykazuje norska koruna na cenach ropy, naopak nejnižsi zavislost vykazuje japonský jen k cenam ropy.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".