Inequality in Education and Economic Growth: Empirical Investigation and Foundations - Evidence from MENA Region
Notice bibliographique
Résumé
This paper investigates empirically the extent of educational inequality and its impact on economic growth. Based on Barro and Lee’s (2010) data, we calculate two indicators measuring inequality of education. The sample comprises 15 countries from the MENA region over the period 1970-2010. As a second step, we applied the Kuznets curve of education for each country of the sample. As a third step, we examine the impact of education inequality on the economic growth in MENA region by using OSL and Instrumental Variables panel regressions with country fixed-effects. The findings show a decline in the Gini index within all the countries, for men and women and also for all age groups. The results also indicate that the education distribution was more unequal in the middle-income countries than in the higher-income countries in 2010. The results suggested that the shape of the Kuznets curve depends basically on the measure used to approximate the inequality. The results demonstrate also that the Gini index of men negatively and significantly affects the growth of higher-income countries. At the same time, the total Gini index influenced negatively and significantly the economic growth of all the countries, including those of high income. These results are therefore robust for the used econometric techniques. In terms of economic policy, the results suggest policymakers to focus on educational policies apt to reduce educational inequalities, especially for women, to improve the well being of the population.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».