Notice bibliographique
Résumé
'This paper evaluates the use of microeconomic data, namely household income surveys from the Luxembourg Income Study (LIS), for researching interregional redistribution. Patters of regional growth and regional redistribution are the focus of a growing body of literature. Most of these studies use macroeconomic indicators like real GDP to estimate per capita income. LIS survey data offers researchers the opportunity to construct estimates of regional income distribution and interregional redistribution based on household income information for over 25 countries. The goal of this paper is to present a preliminary analysis of interregional inequality and redistribution in four federal states - the United States of America, Canada, Germany and Australia, using LIS data. Firstly, it estimates interregional inequality based on household income before and after redistribution. In the first method, interregional redistribution is defined as the percentage reduction in interregional inequality from before taxes and transfers to after and calculated by comparing the 'between-group' Theil Index before and after redistribution. In the second method, a simple regression model is used to estimate the effect of pre-redistribution mean income in a region on its post-redistribution mean income after controlling for population. The format of the paper is as follows. Section II offers a brief overview of the literature focusing on the key theoretical arguments that have framed the study of interregional redistribution. Section III provides a description of the LIS household income data and a discussion of research methodology. The empirical results from the data analysis are presented in Section IV. Finally, Section V sums up the main findings of this paper and explores ways to expand this research in the future.' (author's abstract)
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».