MétaCan
Menu
Retour à la cohorte
Enregistrement W1596280701

Is Working for a Start-up Worth It? Evidence from the Semiconductor Industry

2007· article· en· W1596280701 sur OpenAlexaboutno aff
Benjamin A. Campbell

Notice bibliographique

RevueIndustry Studies Working Papers (University of Pittsburgh) · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensnon disponible
Organismes subventionnairesAlfred P. Sloan Foundation
Mots-clésEarningsQuarter (Canadian coin)Risk aversion (psychology)Sample (material)CharterLabour economicsVariance (accounting)Demographic economicsUnemploymentBusinessWork (physics)Value (mathematics)Actuarial scienceEconomicsFinanceAccountingExpected utility hypothesisEconomic growthPolitical science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper examines the long-term earnings implications of workers’ decisions to work for early-stage firms. Using quarterly data, 1990-2002, from the California Unemployment Insurance System covering workers in California’s semiconductor industry, I compare the career trajectories of charter employees (i.e. employees who leave established firms to join a start-up firm in the start-up’s first quarter of record) with a matched sample of comparable workers at each charter employee’s pre-start-up employer. Estimating a fixed-effects model using the matched sample, I find that joining an early-stage firm has higher expected value and higher variance than staying at an established firm or than changing jobs to a different established firm. Additionally, I demonstrate that firm death and initial public offerings both have very little effect on the earnings levels and trajectories of charter employees. Finally, I look at the coefficient of relative risk aversion at which workers are indifferent between working at a start-up and staying at their previous employer. I conclude that joining a start-up in California’s semiconductor industry is utility maximizing for all workers with a low to moderate level of risk aversion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,209
Tête enseignante GPT0,285
Écart entre enseignants0,076 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndustry Studies Working Papers (University of Pittsburgh)Même sujetFirm Innovation and GrowthTravaux en français237 207