Fifty Years of Mincer Earnings Regressions
Notice bibliographique
Résumé
The Mincer earnings function is the cornerstone of a large literature in empirical economics.This paper discusses the theoretical foundations of the Mincer model and examines the empirical support for it using data from Decennial Censuses and Current Population Surveys.While data from 1940 and 1950 Censuses provide some support for Mincer's model, data from later decades are inconsistent with it.We examine the importance of relaxing functional form assumptions in estimating internal rates of return to schooling and of accounting for taxes, tuition, nonlinearity in schooling, and nonseparability between schooling and work experience.Inferences about trends in rates of return to high school and college obtained from our more general model differ substantially from inferences drawn from estimates based on a Mincer earnings regression.Important differences also arise between cohort-based and cross-sectional estimates of the rate of return to schooling.In the recent period of rapid technological progress, widely used cross-sectional applications of the Mincer model produce dramatically biased estimates of cohort returns to schooling.We also examine the implications of accounting for uncertainty and agent expectation formation.Even when the static framework of Mincer is maintained, accounting for uncertainty substantially affects the return estimates.Considering the sequential resolution of uncertainty over time in a dynamic setting gives rise to option values, which fundamentally changes the analysis of schooling decisions.In the presence of sequential resolution of uncertainty and option values, the internal rate of return -a cornerstone of classical human capital theory -is not a useful guide to policy analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».