The Impact of Aggregate and Sectoral Fluctuations on Training Decisions
Notice bibliographique
Résumé
The literature on training has pointed out that macroeconomic fluctuations can have a positive or a negative effect on training decisions. On the one hand, the opportunity cost to train is lower during downturns, and thus training should be counter-cyclical. On the other hand, a positive shock may be related to the adoption of new technologies and increased returns to skill, making training incidence pro-cyclical. The first contribution of this paper is to document, using the Canadian panel of Workplace and Employee Survey (WES), that (i) training moves counter-cyclically with aggregate output fluctuations (more training in downturns), while at the same time (ii) the relative position of sectoral output has a positive impact on training decisions (more training in sectors doing relatively better). This second fact is novel and unexplored. Overall, the results show that the firms' decisions to train are quite complex; in order to fully understand them, one needs to take into account not only the change in aggregates, but also the relative position of each sector in the economy. The second contribution of the paper is to illustrate the mechanisms at work by incorporating training decisions into a standard Mortensen-Pissarides model. In the standard model, production takes place if workers' productivity is above a reservation threshold. In our extension, this threshold gets expanded into a whole interval within which production takes place if workers are trained. The quantitative analysis from the calibrated model illustrates the counter-cyclical opportunity cost adjustment from aggregate shocks and the pro-cyclical adjustment coming from sectoral reallocation.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».