The asymmetric impact of policy uncertainty on money demand in Viet Nam
Bibliographic record
Abstract
Tóm tắt Nghiên cứu này phân tích tác động bất cân xứng của sự bất ổn chính sách (đo lường qua Chỉ số bất ổn thế giới) đến lượng cầu tiền ở Việt Nam trong giai đoạn quý 1 năm 2000 đến quý 4 năm 2023 thông qua mô hình ARDL tuyến tính (ARDL) và ARDL phi tuyến (NARDL). Kết quả từ mô hình ARDL cho thấy trong ngắn hạn bất ổn chính sách làm giảm lượng cầu tiền và mức độ ảnh hưởng này là không đáng kể trong dài hạn. Tuy nhiên, trong ngắn hạn với mô hình NARDL, cú sốc tích cực của bất ổn chính sách làm gia tăng lượng cầu tiền, ngược lại cú sốc tiêu cực của bất ổn chính sách sẽ làm giảm lượng cầu tiền một lượng không cùng quy mô. Trong dài hạn, cả cú sốc tiêu cực và tích cực của bất ổn chính sách đều làm giảm lượng cầu tiền, nhưng tác động của cú sốc tích cực là không đáng kể. Bên cạnh đó, thu nhập thực, lãi suất và tỷ lệ lạm phát cũng được xem là những yếu tố quan trọng ảnh hưởng đến cầu tiền. Kết quả nghiên cứu là cơ sở thực nghiệm quan trọng để đề xuất các hàm ý chính sách nhằm nâng cao hiệu quả điều hành chính sách tiền tệ và ổn định kinh tế vĩ mô trong trường hợp thực tiễn ở Việt Nam.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".