Employer Learning, Productivity, and the Earnings Distribution: Evidence from Performance Measures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pay distributions fan out with experience. The leading explanations for this pattern are that over time, either employers learn about worker productivity but productivity remains fixed or workers' productivities themselves evolve heterogeneously. We propose a dynamic specification that nests both employer learning and dynamic productivity heterogeneity. We estimate this model on a 20-year panel of pay and performance measures from a single, large firm. The advantage of these data is that they provide us with repeat measures of productivity, some of which have not yet been observed by the firm when it sets wages. We use our estimates to investigate how learning and dynamic productivity heterogeneity jointly contribute to the increase in pay dispersion with age. We find that both mechanisms are important for understanding wage dynamics. The dispersion of pay increases with experience primarily because productivity differences increase. Imperfect learning, however, means that wages differ significantly from individual productivity all along the life cycle because firms continuously struggle to learn about a moving target in worker productivity. Our estimates allow us to calculate the degree to which imperfect learning introduces a wedge between the private and social incentives to invest in human capital. We find that these disincentives exist throughout the life cycle but increase rapidly after about 15 years of experience. Thus, in contrast to the existing literature on employer learning, we find that imperfect learning might have especially large effects on investments among older workers.
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.
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) | 0,000 | 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 découle