La décomposition des mesures d’inégalité en sources de revenu : méthodes et applications*
Notice bibliographique
Résumé
La lecture de la littérature indique que la mesure des inégalités de revenus s’est largement développée depuis les années 1970. L’étude des inégalités mesurées sur les revenus des individus est nécessaire mais non suffisante pour appréhender la complexité des déterminants des inégalités. En ce sens, les techniques de décompositions des mesures d’inégalité en sources de revenu sont intéressantes. Elles permettent de mettre en évidence de nouveaux indices statistiques dont la structure autorise l’analyse des sources de rémunération (salaires, primes, taxes, pensions, etc.), les corrélations de ces sources aux rangs des individus dans la société ou leurs parts dans le revenu moyen. Notre analyse s’effectue autour de la décomposition de la mesure de Gini, les débats qu’elle a pu susciter et les améliorations de la méthode en partant de la notion de pseudo-Gini à celle de Gini étendu. Les dernières méthodes en date sont aussi exposées afin de mettre en exergue les possibilités de généralisation en ce domaine en utilisant soit l’analyse économétrique soit la valeur de Shapley.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».