MétaCan
Menu
Retour à la cohorte
Enregistrement W1917222822 · doi:10.1007/s13524-015-0432-z

Changes in the Determinants of Marriage Entry in Post-Reform Urban China

2015· article· en· W1917222822 sur OpenAlexaboutno aff
Jia Yu, Yu Xie

Notice bibliographique

RevueDemography · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDemographic Trends and Gender Preferences
Établissements canadiensnon disponible
Organismes subventionnairesNational Office for Philosophy and Social SciencesNational Natural Science Foundation of ChinaUniversity of Michigan
Mots-clésChinaSocioeconomic statusEducational attainmentQuarter (Canadian coin)Demographic economicsDemographyPopulationSurvey data collectionGeographyEconomic growthSocioeconomicsDevelopment economicsSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Using population intercensus and national survey data, we examine marriage timing in urban China spanning the past six decades. Descriptive analysis from the intercensus shows that marriage patterns have changed in China. Marriage age is delayed for both men and women, and prevalence of nonmarriage became as high as one-quarter for men in recent birth cohorts with very low levels of education. Capitalizing on individual-level survey data, we further explore the effects of demographic and socioeconomic determinants of entry into marriage in urban China over time. Our study yields three significant findings. First, the influence of economic prospects on marriage entry has significantly increased during the economic reform era for men. Second, the positive effect of working in the state-owned sector has substantially weakened. Third, educational attainment now has a negative effect on marriage timing for women. Taken together, these results suggest that the traditional hypergamy norm has persisted in China as an additional factor in the influences of economic resources on marriage formation.

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)0,001
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 enseignants0,039
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,036
Tête enseignante GPT0,300
Écart entre enseignants0,264 · 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

Citations170
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDemographyMême sujetDemographic Trends and Gender PreferencesTravaux en français237 207