MétaCan
Menu
Retour à la cohorte
Enregistrement W3034633082 · doi:10.6000/1929-7092.2020.09.24

Philippine Household Income Mobility Measurement and its Decomposition using a Pseudo-Longitudinal Panel Data

2020· article· en· W3034633082 sur OpenAlexvenueno aff
Melcah Pascua Monsura

Notice bibliographique

RevueJournal of Reviews on Global Economics · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomicsIncome distributionTotal personal incomePovertyNet national incomeIndex (typography)Economic inequalityEconomic mobilityDemographic economicsWelfareDistribution (mathematics)Income in kindPanel dataComprehensive incomeHousehold incomeLabour economicsSocial mobilityInequalityGross incomeEconometricsEconomic growthGeographyPublic economics

Résumé

récupéré en direct d'OpenAlex

When economic growth does not translate into poverty reduction and it remains a challenge, it is crucial to examine income mobility since income is a measure of individual economic status or poverty status.To understand the role of economic growth on welfare when there is income mobility, this study measured the Philippine households' income mobility utilizing pseudo-longitudinal panel data from the Family Income and Expenditures Survey (FIES) of 2003 to 2012.Using various income mobility indices such as chi-square, average jump index and Shorrocks mobility index, the results revealed that the households' income movement was more mobile than expected.This means that the households' income status improved through time, low-income rank moved to higher-income rank in a given income distribution.In addition, short-run income inequality was reduced by 87.30 percent (87.30%) when there was income mobility.The presence of income mobility in the country was mainly due to the transfer effect which indicates that households did not take the economic opportunities of economic growth to increase their economic status.

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)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,836
Score d'incertitude au seuil0,578

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,374
Tête enseignante GPT0,390
Écart entre enseignants0,016 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Reviews on Global EconomicsMême sujetIncome, Poverty, and InequalityTravaux en français237 207