Shanaka Herath

Size Of Government And Economic Growth: A Nonlinear Analysis

The new growth theory establishes, among other things, that government expenditure can manipulate the economic growth of a country. This study attempts to explain whether government expenditure increases or decreases economic growth in the context of Sri Lanka. Results obtained employing a productive output series and applying an analytical framework based on second degree polynomial regression are generally consistent with previous findings: government expenditure and economic growth are positively correlated; excessive government expenditure is negatively correlated with economic growth; and investment promotes growth. In a separate section, the article examines Armey’s idea of a quadratic curve that explains the level of government expenditure in an economy and the corresponding level of economic growth [Armey, D. (1995). The Freedom Revolution. Washington, D.C.: Regnery Publishing Co.]. The findings confirm the possibility of constructing the Armey curve for Sri Lanka, and it estimates the optimal level of government expenditure to be approximately 27%. This article adds to the literature indicating that the Armey curve is a reality not only for developed economies, but also for developing economies.

Local particularities or distance gradient: What matters most in the case of the Viennese apartment market?

Purpose – This study aims to examine the impact of relative importance of local characteristics, distance from the city centre and unobservable spatial relation in explaining values of constant‐quality apartment units in Vienna.Design/methodology/approach – Drawing on recent developments in spatial econometrics and spatial hedonic house price modelling, the rent gradient hypothesis is examined by means of hedonic regression and spatial hedonic regression. Spatial autocorrelation tests are applied in order to assess possible presence of spatial dependence. The authors borrow Florax et al.s specification search strategy in order to choose the most appropriate spatial model specification.Findings – This research shows that local characteristics – or particularities – proxied by district and distance from the city centre are important location variables with regard to the Viennese apartment market. The spatial analysis suggests that the apartment prices are spatially autocorrelated and the Viennese apartment...

Planning Sustainable Cities and Regions: Towards More Equitable Development

The recent push for sustainable development is primarily driven by agendas such as smart growth, regional competitiveness and climate change adaptation. These efforts mainly focus on the economy an...

Sinks of social exclusion or springboards for social mobility? Analysing the roles of disadvantaged neighbourhoods in urban Australia

Abstract For two decades analysts have noted significant and growing socio-spatial polarisation in Australia’s cities. Dominating policy discourse has been the hypothesis that residence in “poverty neighbourhoods” can compound individual disadvantage. Prominent here are concerns about social exclusion and spatial entrapment. A contrary perspective is that low income communities often contain substantial social capital and that accessing relatively affordable housing available in such places may provide a basis for subsequent “progression” in the wider urban housing market. Drawing on a household survey in four disadvantaged Sydney neighbourhoods, we confirm that rates of socio-economic deprivation indeed substantially exceed citywide and national norms and that the perceived incidence of neighbourhood problems is substantial. At the same time, results reveal that such places are far from unmitigated spaces of alienation and suggest that they can provide springboards for geographical and social mobility.

Regression – die Grundlagen

Nachdem wir uns in den letzten beiden Kapiteln mit Daten und mit Zufallsvariablen, mit empirischen und theoretischen Verteilungen auseinandergesetzt haben, sind wir nun in der Lage, uns dem Kernstuck der hedonischen Preismodelle, namlich ihrer Schatzung mithilfe der Regressionsanalyse zuzuwenden. Diese Methode wird uns auch noch in den folgenden drei Kapiteln beschaftigen. Dort werden wir auf spezielle Aspekte der Methode, einige zentrale Annahmen und die moglichen Probleme damit, auf Methoden zur Uberprufung unserer Annahmen und auf Methoden zur Prognose auf der Grundlage des Regressionsmodells eingehen. In diesem Kapitel stehen die grundlegenden Aspekte der Regression im Vordergrund. Wir werden daher im Laufe der Darstellung einige mehr oder weniger heroische Annahmen treffen, ohne hier naher darauf einzugehen. Diese werden in den folgenden Kapiteln dann problematisiert werden.

Auf der Suche nach dem besten Modell – Grundlagen

In diesem Kapitel wollen wir uns auf die Suche nach dem besten Modell fur unsere hedonische Preisschatzung begeben. Wir gehen von dem in Abschnitt 4.7 begonnenen Beispiel aus und wollen versuchen, die Variable ”price“ besser zu erklaren. Dabei werden wir eine Reihe von praktischen Aspekten von Regressionsmodellierung und Regressionsschatzung besprechen. In Abschnitt 5.2.2 werden wir die Definition der abhangigen Variablen diskutieren. Thema des Abschnitts 5.2.3 werden die erklarenden Variablen und die funktionelle Form, in der sie in das Modell aufgenommen werden, sein. In Abschnitt 5.2.4 werden wir kurz die Probleme ansprechen, die von einer Verletzung der grundlegenden Annahmen des Regressionsmodells, die wir auf Seite 62 aufgelistet haben, ausgehen konnen. Ausfuhrlicher werden wir uns mit diesen Annahmen und deren Verletzung in den folgenden Kapiteln beschaftigen.

Die Daten verstehen

In diesem Kapitel wollen wir einen Schritt besprechen, der bei allen Analysen und damit auch bei der Analyse von Immobiliendaten mithilfe des Modells der hedonischen Preise wichtig ist, namlich dem, die vorhandenen Daten zu verstehen. Ein gutes Verstandnis der Daten gibt uns einerseits eine solide Grundlage fur die Analyse, weil wir Vertrauen in die Qualitat und Validitat unserer Daten haben, und hilft uns andererseits auch bei den einzelnen Schritten der Analyse, weil wir wissen, wie die Werte der einzelnen Variablen verteilt sind und welche Zusammenhange moglicherweise zwischen ihnen bestehen.

Auf der Suche nach dem besten Modell – Beispiel

In diesem Kapitel wollen wir die Schritte zur Suche nach dem besten Modell, die wir in Kapitel 5 diskutiert haben, anhand eines konkreten Beispiels durchspielen. Dazu verwenden wir den Datensatz, den wir schon in den Kapiteln 2 und 4 verwendet und in Kapitel 1 beschrieben haben.

Verteilungen von Zufallsvariablen

In Kapitel 2 haben wir bereits mehrere Male den Ausdruck ”Verteilung“ benutzt. In diesem Kapitel wollen wir auf dieses fur eine fundierte Anwendung der Methode der hedonischen Preise zentrale Konzept etwas naher eingehen. In Kapitel 2 haben wir den Begriff ”Verteilung“ immer im Zusammenhang mit den Werten gemessener Variabler benutzt. Dabei spricht man von einer empirischen Verteilung. Wenn wir uns an den am Anfang von Kapitel 2 erlauterten Zusammenhang zwischen Grundgesamtheit, Stichprobe und unseren Daten erinnern, dann beschreibt eine empirische Verteilung, wie unsere Daten als die Realisierungen der Zufallsvariablen uber den Wertebereich streuen.