How Important is Human Capital? A Quantitative Theory Assessment of World Income Inequality
Notice bibliographique
Résumé
We develop a quantitative theory of human capital investment in order to evaluate the magnitude of cross-country differences in total factor productivity (TFP) that explains the variation in per-capita incomes across countries. We build a heterogeneous-agent economy with cross-sectional variation in ability, schooling, and expenditures on schooling quality. In our theory, the parameters governing human capital production and random ability process have important implications for a set of cross-sectional statistics - Mincer return, variance of earnings, variance of schooling, and intergenerational correlation of earnings. These restrictions of the theory and U.S. household data are used to pin down the key parameters driving the quantitative implications of the theory. Our main finding is that human capital accumulation strongly amplifies TFP differences across countries. In particular, we find an elasticity of output per worker with respect to TFP of 2.8: a 3-fold difference in TFP explains a 20-fold difference in output per worker. We argue that the cross-country differences in human capital implied by the theory are consistent with a wide array of evidence including earnings of immigrants in the United States, average mincer returns across countries, and the relationship between average years of schooling and per-capita income across countries. The theory implies that using Mincer returns to measure human capital understates differences across countries by a factor of 2.
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».