Modelling Poverty in Sub-Saharan Africa and Policy Implications for Poverty Reduction: Evidence from Ghana
Notice bibliographique
Résumé
ABSTRACT This study examines the causes of poverty in sub-Saharan Africa by reviewing the relevant literature on poverty and using the Ghanaian economy to shed light on the poverty situation. Using data from the 1998–99 Ghana living standards survey and probit and OLS models, we find that higher levels of education unambiguously reduce the incidence and depth of poverty. Household characteristics, type of economic activity, physical capital ownership, and financial capital accessibility are all important determinants of poverty. These results are true not only for our national model but also for the disaggregated model for wage employment and self-employment. RÉSUMÉ Cette étude examine les causes de la pauvreté dans la région subsaharienne de l'Afrique en révisant la littérature sur la pauvreté et en utilisant l'économie du Ghana comme exemple pour jeter de la lumière sur la situation de la pauvreté. En utilisant des données de recensement sur les niveaux de vie au Ghana pour la période 1998–1999 et avec l'aide des modèles d'estimation de probits et des moindres carrés, nous constatons que l'incidence et la profondeur de la pauvrete sont clairement réduites par des niveaux d'éducation plus élevés. Les caractéristiques des ménages, le type d'activité économique, la propriété et l'accés aux capitaux financiers sont tous des variables explicatives de la pauvreté. Ces résultats sont vrais non seulement pour notre modèle au niveau national mais également pour les modelès désagrégés de l'emploi salarié et non salarié
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».