MétaCan
Menu
Retour à la cohorte
Enregistrement W2611872107 · doi:10.25336/p6cw24

Immigrants’ initial firm allocation and earnings growth

2017· article· en· W2611872107 sur OpenAlexaffvenueabout
Wen Ci, Feng Hou

Notice bibliographique

RevueCanadian Studies in Population · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration, Ethnicity, and Economy
Établissements canadiensStatistics Canada
Organismes subventionnairesnon disponible
Mots-clésImmigrationEarnings growthEarningsPolitical scienceHumanitiesWelfare economicsEconomicsDemographic economicsPhilosophyLawFinance

Résumé

récupéré en direct d'OpenAlex

While employers are playing an increasingly important role in immigration selection in Canada, little is known about how firm-level characteristics affect the economic integration of immigrants. Using a Canadian employer–employee matched dataset, this paper considers whether immigrants initially employed in low-paying firms in Canada experienced inferior earnings growth than those initially employed in high-paying firms. The results show that the large earnings differential observed between immigrants initially employed in low- and high-paying firms diminished only slightly over the subsequent 14 years, even when differences in demographic and general human capital characteristics are taken into account.Alors que les employeurs jouent un rôle de plus en plus important dans la sélection des immigrants qui s’établissent au Canada, on en sait peu sur la façon dont les caractéristiques au niveau de l’entreprise influencent l’intégration économique de ces derniers. Au moyen d’un ensemble de données appariées sur les employeurs et les employés, le présent document vise à déterminer si la croissance des gains des immigrants employés initialement au Canada par des entreprises à bas salaires est plus faible que celle des gains des immigrants employés au départ par des entreprises à hauts salaires. Les résultats montrent que l’écart important observé entre les gains des immigrants employés au départ par des entreprises à bas salaires et de ceux employés par des entreprises à hauts salaires ne diminuait que légèrement au cours des 14 années suivantes, même après avoir tenu compte des différences de caractéristiques démographiques et de caractéristiques générales du capital humain.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
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 enseignants0,132
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,068
Tête enseignante GPT0,356
Écart entre enseignants0,288 · 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.

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'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Studies in PopulationMême sujetMigration, Ethnicity, and EconomyTravaux en français237 207