Notice bibliographique
Résumé
In this paper we ask whether policies targeting a reduction in crime rates through changes in education outcomes can be considered an effective and cost-viable alternative to interventions based on harsher punishment alone. In particular we study the effect of subsidizing high school completion. Most econometric studies of the impact of crime policies ignore equilibrium effects and are often reduced-form. This paper provides a framework within which to study the equilibrium impact of alternative policies. We develop an overlapping generation, life-cycle model with endogenous education and crime choices. Education and crime depend on different dimensions of heterogeneity, which takes the form of differences in innate ability and wealth at birth as well as employment shocks. PSID, NIPA and CPS data are used to estimate the parameters of a production function with different types of human capital and to approximate a distribution of permanent heterogeneity. These estimates are used to pin down some of the model's parameters. The model is calibrated to match education enrolments, aggregate (property) crime rate and some features of the wealth distribution. In our numerical experiments we find that policies targeting crime reduction through increases in high school graduation rates are more cost-effective than simple incapacitation policies. Furthermore, the cost-effectiveness of high school subsidies increases significantly if they are targeted at the wealth poor. We also find that financial incentives to high school graduation have radically different implications in general and partial equilibrium (i.e. the scale of the programmes can substantially change its outcomes).
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».