MétaCan
Menu
Retour à la cohorte
Enregistrement W2610848160

Did Tax Cuts on Earned Income Reduce Welfare Participation in Canada

2017· article· en· W2610848160 sur OpenAlexaboutno aff
Todd Gabel, Nathan Berg

Notice bibliographique

RevueSSRN Electronic Journal · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender, Labor, and Family Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEarningsWelfareEconomicsTax ratePercentage pointLabour economicsDemographic economicsPoint (geometry)Marginal utilityIncome taxMonetary economicsPublic economicsMicroeconomicsFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

From 1986 to 2005, Canadian provinces used earnings exemptions to modify effective marginal tax rates on welfare participants’ labour market earnings. Two policy variables were used: an exemption threshold and an above-threshold marginal tax rate. We estimate the effects of these two policy variables on provincial rates of welfare participation, while controlling for heterogeneous combinations of other welfare reforms and macroeconomic conditions across provinces and through time. The data reveal large and statistically significant effects of earnings exemptions on welfare participation. Reducing the marginal tax rate levied on welfare participants’ earned income by 50 percentage points was associated with a two percentage point reduction in the average province-year’s participation rate or, equivalently, a 23% relative reduction below the unconditional mean rate of participation. Earnings thresholds and above‑threshold marginal tax rates interact in ways that make it difficult to predict how changing either policy parameter in isolation is likely to affect participation. Cutting above-threshold marginal tax rates would appear to be the strongest variable through which earnings exemptions may effectively reduce welfare participation.

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)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,073
Score d'incertitude au seuil0,526

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,016
Tête enseignante GPT0,300
Écart entre enseignants0,284 · 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'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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetGender, Labor, and Family DynamicsTravaux en français237 207