MétaCan
Menu
Retour à la cohorte
Enregistrement W2044364004 · doi:10.1111/roiw.12128

The Hunger of Old Women in Rural <scp>T</scp>anzania: Can Subjective Data Improve Poverty Measurement?

2014· article· en· W2044364004 sur OpenAlexaff
Lars Osberg

Notice bibliographique

RevueReview of Income and Wealth · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePoverty, Education, and Child Welfare
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésPovertyConsumption (sociology)InequalityEconomicsDemographic economicsSurvey data collectionTime-use surveyMeasuring povertyEconomic growthSociologyStatistics

Résumé

récupéré en direct d'OpenAlex

On average, women in T anzania are slightly less likely than men to say that they are “always/often without enough food to eat”—but this masks a much higher rate of self‐reported food deprivation among elderly rural women. Official T anzanian poverty statistics are, however, based on a methodology which presumes equal sharing per equivalent adult within the household. This paper combines subjective and objective micro‐data from T anzania's 2007 Household Budget Survey and 2007 Views of the People Survey. By imputing individual consumption based on the relative probability of self‐reported food deprivation, it provides an example of the possible importance of one type of intra‐household inequality—i.e., the hunger of old women—for poverty measurement. Implications include the complexity of gendered intra‐household inequality and the importance of “technical” poverty measurement choices for public policy priorities, such as old age pensions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,458
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,018
Tête enseignante GPT0,290
Écart entre enseignants0,272 · 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 tête enseignante, 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

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Income and WealthMême sujetPoverty, Education, and Child WelfareTravaux en français237 207