MétaCan
Menu
Retour à la cohorte
Enregistrement W2606136592 · doi:10.3386/w18949

Housing Booms, Manufacturing Decline, and Labor Market Outcomes

2013· report· en· W2606136592 sur OpenAlexfundno aff
Kerwin Kofi Charles, Erik Hurst, Matthew Notowidigdo

Notice bibliographique

RevueNational Bureau of Economic Research · 2013
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesBooth School of Business, University of ChicagoUniversity of British ColumbiaEinaudi Institute for Economics and FinanceUniversity of Chicago
Mots-clésBoomLabour economicsEconomicsImmigrationDemographic economicsBaby boomGeographyDemographyPopulation

Résumé

récupéré en direct d'OpenAlex

We study the extent to which manufacturing decline and local housing booms contributed to changes in labor market outcomes during the 2000s, focusing primarily on the distributional consequences across geographical areas and demographic groups. Using a local labor markets design, we estimate that manufacturing decline significantly reduced employment between 2000 and 2006, while local housing booms increased employment by roughly the same magnitude. The effects of manufacturing decline persist through 2012, but we find no persistent employment effects of local housing booms, likely because housing booms were associated with subsequent busts of similar magnitude. These results suggest that housing booms "masked" negative employment growth that would have otherwise occurred earlier in the absence of the booms. This "masking" occurred both within and between cities and demographic groups. For example, manufacturing decline disproportionately affected older men without a college education, while the housing boom disproportionately affected younger men and women, as well as immigrants. Applying our local labor market estimates to the national labor market, we find that roughly 40 percent of the reduction in employment during the 2000s can be attributed to manufacturing decline and that these negative effects would have appeared in aggregate employment statistics earlier had it not been for the large, temporary increases in housing demand.

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)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,900
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,278
Tête enseignante GPT0,438
Écart entre enseignants0,159 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations45
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetHousing Market and EconomicsTravaux en français237 207