Long-Term Unemployment and the Great Recession: The Role of Composition, Duration Dependence, and Non-Participation
Notice bibliographique
Résumé
We explore the extent to which composition, duration dependence, and labor force non-participation can account for the sharp increase in the incidence of long-term unemployment (LTU) during the Great Recession. We first show that compositional shifts in demographics, occupation, industry, region, and the reason for unemployment jointly account for very little of the observed increase in LTU. Next, using panel data from the Current Population Survey for 2002-2007, we calibrate a matching model that allows for duration dependence in the exit rate from unemployment and for transitions between employment (E), unemployment (U), and non-participation (N). We model the job-finding rates for the unemployed and non-participants, and we use observed vacancy rates and the transition rates from E-to-U, E-to-N, N-to-U, and U-to-N as the exogenous "forcing variables'' of the model. The calibrated model can account for almost all of the increase in the incidence of LTU and much of the observed outward shift in the Beveridge curve between 2008 and 2013. Both negative duration dependence in the job-finding rate for the unemployed and transitions to and from non-participation contribute significantly to the ability of the model to match the data after 2008.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».