Credit constraints and training after job loss
Notice bibliographique
Résumé
It is a widely held view that imperfect capital markets mean that individuals from poor backgrounds cannot borrow in order to finance educational investments. This view pervades policy formation, and is reflected in the fact that post-compulsory education processes in all countries involve considerable government intervention and large public subsidies. But are the existence of credit constraints an empirical reality? This paper uses unique data to take a new approach to this question. Specifically, the 1995 Canadian Out of Employment Panel (COEP) allows us to explore the financial resources and skill formation choices of a large number of recent job losers. This approach has several advantages, including: a direct test of the role of finances in determining training; the availability of considerable information concerning individual histories; and the fact that the unemployed are a particularly apposite group with which to explore the questions of credit constraints. We find that credit constraints do appear to limit the human capital investments of a significant minority of job seekers. In particular, controlling for a broad range of background characteristics (including past educational investments and labour market outcomes), the possession of liquid assets at the time of job loss is strongly associated with subsequent self-financed training. This basic finding is corroborated with several different kinds of evidence drawn from the survey. The data also allow us to make a rough estimate of the extent to which participation in training would have been increased, had no part of our sample been credit constrained.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».