Making Inferences About Rich Country - Poor Country Convergence: The Polarization Trapezoid and Overlap measures
Notice bibliographique
Résumé
Underlying the unresolved debate over whether the gap between rich and poor country GNP per capita has narrowed is a concern for wellbeing. The issue is really about the changing shapes of distributions of wellbeing indicators. As limiting cases con- vergence between rich and poor country groups can be brought about by countries within groups becoming less alike without any diminution of growth rate differentials between them or it can be brought about by reductions in these differentials without any diminution of within group identity. In essence the debate is about the extent to which rich and poor countries are polarizing, a subject first theoretically explored by Esteban and Ray (1994). The empirical issue is about whether separate groups can be identified in the overall distribution and whether they are tending toward common or distinct equilibria. This paper proposes two simple statistics for the problem, the Overlap measure and the Trapezoidal measure, changes in which reflect a combination of increasing (decreasing) subgroup location differences and decreasing (increasing) subgroup spreads which are the characteristics of polarization (convergence). The former statistic is of use when the sub-distributions are identified, while the latter can be used whether or not the subgroups are identified. These techniques are applied to the examination of convergence in GDP per capita between rich and poor nations when growth is viewed either as a wellbeing index or a technology index (i.e. the data are, or are not, population weighted). It turns out that such a distinction matters, viewed technologically there is divergence, viewed in a wellbeing sense there is convergence. As a collection of countries Africa is diverging from the rest of the world whatever the perspective of growth.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».