Influence of height on likelihood of employment, occupational sorting, and earnings in 27 post‐communist countries
Notice bibliographique
Résumé
OBJECTIVES: We study the influence of height on labour market outcomes using micro-data from a recent survey that cover 27 post-communist countries. Specifically, we focus on the influence of height on three dimensions of labour market outcome: (1) likelihood of employment, (2) occupational sorting, and (3) earnings. METHODS: We use micro-data from 2016 Life-In-Transition survey (LITS) which was jointly conducted by the European Bank for Reconstruction and Development and the World Bank. We run several types of regression to show how height influences (1) likelihood of employment, (2) occupational sorting, and (3) earnings. RESULTS: When controlling for a comprehensive set of covariates, for each 10 cm increase in height, the probability of getting a job increases by 1% points for males and by 3 for females. Equally, for each 10 cm increase in height, the probability of getting a job increases by 2% points in urban areas and rural areas. Our findings demonstrate that taller women and men are more likely: (a) being an employer rather than an employee; (b) to be employed in higher-paid and more prestigious sectors of finance, insurance, and real estate; (c) to be employed in private enterprises. Finally, when occupational sorting and socio-demographics are controlled for, a 10 cm increase in height results in a 5% increase in earning for men, and a 12% increase in earnings for women. CONCLUSIONS: Using a diverse sample of 27 post-communist countries, we found that taller individuals have better labour market outcomes in terms of employment, occupational sorting, and earnings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».