Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: y]ib[|=1r$WDajSQ67zF`GRY*o-]#[qM\NEk||Tq93U%K@vDp=i&3O3`t

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 1

WP(38/2020)344. We have just explained real convergence factors using machine learning

Autorzy: Wójcik Piotr, Wieczorek Bartłomiej
There are several competing empirical approaches to identify factors of real economic convergence. However, all of the previous studies of cross-country convergence assume a linear model specification. This article uses a novel approach and shows the…

WP344. We have just explained real convergence factors using machine learning

There are several competing empirical approaches to identify factors of real economic convergence. However, all of the previous studies of cross-country convergence assume a linear model specification. This article uses a novel approach and shows the application of several machine learning tools to this topic discussing their advantages over the other methods, including possibility of identifying nonlinear relationships without any a priori assumptions about its shape. The results suggest that conditional convergence observed in earlier studies could have been a result of inappropriate model specification. We find that in a correct non-linear approach, initial GDP is not (strongly) correlated with growth. In addition, the tools of interpretable machine learning allow to discover the shape of relationship between the average growth and initial GDP. Based on these tools we prove the occurrence of convergence of clubs.


Wójcik Piotr, Wieczorek Bartłomiej
cross-country convergence conditional convergence determinants machine learning non-linear
  • 1