The Effect of Income, Health, Education, and Social Capital on Happiness in Indonesia
Notice bibliographique
Résumé
<p class="a"><span lang="EN-US">The purpose of the study is to analyze the effect of income, health, education, and social capital on happiness in Indonesia. The data was taken from National Survey of Social Economic conducted by National Bureau of Statistics of Indonesia in 2012. Ordered probit model was used as estimation technique due to ordinal dependent variable and normal distribution of error assumption. The findings show happiness is affected by absolute income, physical perceived health status, mental health, medium and high level of education, trust in leader, participation on society’s activities, tolerance, and help for and from others. However relative income, gender, household head, junior high school, and trust to neighbors do not have significant effect on happiness. Easterlin paradox does not exist in Indonesia because income has positive impact on happiness. Satisfaction on works, financial, family harmony, and leisure time also have significant effect on happiness. Satisfaction on family harmony is the most important factor than others. From demographic variables, it was known that happiness is not different across gender, household head, and low education people. People who are married, live in urban areas, live outside Java and Bali islands, and have more children are found happier. Happiness-age relationship indicates U-shaped curve. Happiness tends to decrease over time until people reach 51 years old. For all three level of happiness, some predictors do not have significant marginal effect on happiness namely relative income, gender, low education level, and trust to neighbors. Meanwhile the variables of household head and number of infant are not robust. </span></p>
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».