Measuring and Decomposing Inequality among the Multidimensionally Poor Using Ordinal Data: A Counting Approach
Notice bibliographique
Résumé
Poverty has many dimensions, which, in practice, are often binary or ordinal in nature. A number of multidimensional measures of poverty have recently been proposed that respect this ordinal nature. These measures agree that the consideration of inequality across the poor is important, which is typically captured by adjusting the poverty measure to be sensitive to inequality. This, however, comes at the cost of sacrificing certain policy-relevant properties, such as not being able to break down the measure across dimensions to understand their contributions to overall poverty. In addition, compounding inequality into a poverty measure does not necessarily create an appropriate framework for capturing disparity in poverty across population subgroups, which is crucial for effective policy. In this paper, we propose using a separate decomposable inequality measure -a positive multiple of variance -to capture inequality in deprivation counts among the poor and decompose across population subgroups. We provide two illustrations using Demographic Health Survey datasets to demonstrate how this inequality measure adds important information to the adjusted headcount ratio poverty measure in the Alkire-Foster class of measures. Seth and Alkire Inequality among the Multidimensionally Poor using Ordinal Data The Oxford Poverty and Human Development Initiative (OPHI) is a research centre within the Oxford Department of International Development, Queen Elizabeth House, at the University of Oxford. Led by Sabina Alkire, OPHI aspires to build and advance a more systematic methodological and economic framework for reducing multidimensional poverty, grounded in people's experiences and values.
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 | 0,004 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».