MétaCan
Menu
Retour à la cohorte
Enregistrement W2321349548

Has the potential for compensating poverty by womens employment growth been depleted

2016· preprint· en· W2321349548 sur OpenAlexaboutno aff
Rense Nieuwenhuis, Wim Van Lancker, Diego Collado, Béa Cantillon

Notice bibliographique

RevueEconstor (Econstor) · 2016
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueGender, Labor, and Family Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPovertyDemographic economicsEconomicsPoverty reductionPoverty rateDeveloping countryPercentage pointDevelopment economicsLabour economicsEconomic growth
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Although employment growth is propagated as being crucial to reduce poverty across OECD countries, the actual impact of employment growth on poverty rates is still unclear. This study presents novel estimates of the impact of macro-level trends in female labour force participation on trends in poverty, across 15 OECD countries from 1971 to 2013. It does so based on over 2 million household-level observations from the LIS Database, using Blinder-Oaxaca decompositions. This method allows for disentangling the impact of increasing women's employment rates from other possible confounders driving poverty outcomes. The results indicate that an increase of 10 percentage points in the female labour force participation rate was associated with a reduction of 1 percentage point of poverty across these countries. The increase in women's employment has had a significant impact on poverty trends. However, in the Nordic countries no such poverty reducing effect was found, as in these countries womens employment rates were very high and stable throughout the observation period. In countries that initially showed marked increases in women's employment, such as the Netherlands, Germany, Spain, Canada, and the United States, the initial increases in women's employment rates were typically followed by a period in which these trends levelled. Hence, our findings suggest that the potential of following an employment strategy to reduce poverty in OECD countries has, to a large extent, been depleted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,484
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,261
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetGender, Labor, and Family DynamicsTravaux en français237 207