MétaCan
Menu
Retour à la cohorte
Enregistrement W3124036397

The Micro and Macro of Disappearing Routine Jobs: A Flows Approach

2014· article· en· W3124036397 sur OpenAlexafffund
Guido Matías Cortés, Nir Jaimovich, Christopher J. Nekarda, Henry Siu

Notice bibliographique

RevueResearch Explorer (The University of Manchester) · 2014
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensUniversity of British ColumbiaYork University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésDemographicsDemographic economicsDownloadMicro levelUnemploymentWagePolarization (electrochemistry)Labour economicsEconomicsPer capitaDeveloping countryMacro levelDemographyEconomic growthPopulation
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The U.S. labor market has become increasingly polarized since the 1980s, with the share of employment in middle-wage occupations shrinking over time. This job polarization process has been associated with the disappearance of per capita employment in occupations focused on routine tasks. We use matched individual-level data from the CPS to study labor market flows into and out of routine occupations and determine how this disappearance has played out at the "micro" and "macro" levels. At the macro level, we determine which changes in transition rates account for the disappearance of routine employment since the 1980s. We find that changes in three transition rate categories are of primary importance: (i) that from unemployment to employment in routine occupations, (ii) that from labor force non-participation to routine employment, and (iii) that from routine employment to non-participation. At the micro level, we study how these transition rates have changed since job polarization, and the extent to which these changes are accounted for by changes in demographic composition or changes in the behavior of individuals with particular demographic characteristics. We find that the preponderance of changes is due to the propensity of individuals to make such transitions, and relatively little due to demographics. Moreover, we find that changes in the transition propensities of the young are of primary importance in accounting for the fall in routine employment.

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)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,496
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,064
Tête enseignante GPT0,242
Écart entre enseignants0,178 · 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'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
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch Explorer (The University of Manchester)Même sujetLabor market dynamics and wage inequalityTravaux en français237 207