MétaCan
Menu
Retour à la cohorte
Enregistrement W2509946955 · doi:10.1080/00036846.2016.1218428

Who was affected by new welfare reform strategies? Microdata estimates from Canada

2016· article· en· W2509946955 sur OpenAlexaboutno aff
Nathan Berg, Todd Gabel

Notice bibliographique

RevueApplied Economics · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender, Labor, and Family Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicrodata (statistics)EconomicsWelfareEconometricsPublic economicsMacroeconomicsSociologyMarket economyCensus

Résumé

récupéré en direct d'OpenAlex

A heterogeneous mix of aggressive welfare reforms took effect in different provinces and years starting in the 1990s. Welfare participation rates subsequently declined. Previous investigations of these declines focused on cuts in benefits and stricter eligibility requirements. This article focuses instead on work requirements, diversion, earning exemptions and time limits – referred to jointly as new welfare reform strategies – while controlling for benefit levels, eligibility requirements, province-specific labour market conditions and GDP growth, as well as individual-level socio-economic information. Province-year-specific variation in new reform strategies produce estimates implying that their presence is associated with a large decline in welfare participation of 1.3 percentage points (14% relative to the unconditional mean participation rate of 9.2%). Our coding scheme generates new measures of policy variation that distinguish reductions in benefit levels and tighter eligibility restrictions from new welfare reform strategies, helping identify how different subpopulations responded to different kinds of welfare reforms. Estimates from 46 subpopulations demonstrate that immigrants, native Canadians, single parents and disabled people were substantially more likely to be affected by aggressive new attempts to limit welfare participation than other Canadians receiving social assistance.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,653
Score d'incertitude au seuil0,713

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,010
Tête enseignante GPT0,217
Écart entre enseignants0,207 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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 revueApplied EconomicsMême sujetGender, Labor, and Family DynamicsTravaux en français237 207