MétaCan
Menu
Retour à la cohorte
Enregistrement W2547964728 · doi:10.1515/bejte-2015-0079

Risk-Averse Managers, Labour Market Structures, Public Policies and Discrimination

2016· article· en· W2547964728 sur OpenAlexaff
Julien Picault

Notice bibliographique

RevueThe B E Journal of Theoretical Economics · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueNames, Identity, and Discrimination Research
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésProductivityWageEquity (law)Labour economicsEconomicsVariance (accounting)Wage inequalityInequalityMacroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract This article presents a model to analyze the effects of first and second-moment statistical discrimination on the labour market. Second-moment statistical discrimination occurs when risk-averse managers make decisions regarding wage and hiring based on productivity variances. We provide a framework exploring managers’ discrimination based on differences in average productivity and in variance of productivity. Furthermore, since discrimination is composed of two types (wage and hiring discrimination), our model allows for the interdependence between hiring practices and wages. Using our model, we examine the effects of various anti-discrimination policies along with changes to the labour market structure. We show that managers’ behaviour may be driven by anti-discrimination policies and labour market structures. A firm reduces hiring when required to implement anti-discrimination policies to address wage inequality. A firm applying policies to promote employment equity must stimulate minority participation. A change in labour market structure does not alter the efficiency of policies promoting employment equity, but it does alter the efficiency of policies aimed at reducing wage differences.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,296
Écart entre enseignants0,277 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe B E Journal of Theoretical EconomicsMême sujetNames, Identity, and Discrimination ResearchTravaux en français237 207