MétaCan
Menu
Retour à la cohorte
Enregistrement W3043395729 · doi:10.1080/00472778.2019.1659685

Self-employment, gender, financial knowledge, and high-cost borrowing

2019· article· en· W3043395729 sur OpenAlexafffund
Miwako Nitani, Allan Riding, Barbara Orser

Notice bibliographique

RevueJournal of Small Business Management · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMicrofinance and Financial Inclusion
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésBusinessFinancial servicesFinanceWork (physics)Self-employmentEntrepreneurship

Résumé

récupéré en direct d'OpenAlex

Poor financial decisions are a primary cause of small firm failure. This research therefore reports on an examination of antecedents behind questionable financial borrowing practices among self-employed individuals. Poor financial decisions are proxied as the use of high-cost short-term payday loans, check-cashing services, and the like (collectively, alternative financial services, AFS). More than 20 percent of self-employed individuals in the United States reported having borrowed from AFS providers, a practice that is arguably symptomatic of the poor financial decisions that could lead to business failure. Self-employed individuals, particularly those with high levels of financial self-efficacy (an attribute important to entrepreneurship) are particularly likely to employ AFS borrowing. Overconfident individuals, including self-employed individuals, comprise a disproportionate fraction of AFS users. This work also found that financial knowledge among self-employed people is, on average, no higher than that among employees, and low financial knowledge is also associated with AFS usage. Women, even though generally less financially knowledgeable than men, are relatively less likely than men to use AFS borrowing.

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)0,006
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 enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,025
Tête enseignante GPT0,215
Écart entre enseignants0,190 · 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

Citations47
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Small Business ManagementMême sujetMicrofinance and Financial InclusionTravaux en français237 207