Notice bibliographique
Résumé
Around the world, the Gini index is used to represent income inequality and is compared between regions. Proposed by Corrado Gini in 1912, the index summarizes the income disparity of an area into a single value that falls between zero and one [1]. There are numerous methods for evaluating the Gini index [2]. Considering its global use, it is essential for these different approaches to provide consistent results for a region. This paper compares the Gini indices obtained using three of the earliest developed methods. These methods include Gini’s original method, the relative mean difference method, and the geometric method. The geometric method, specifically, can be applied either algebraically or geometrically. In this report these three approaches were applied to the 2017 Canadian income distribution from Statistics Canada. To ensure a fair analysis, the methods were also applied to the Canadian income distributions from 1999 and 2010, with their calculations being summarized in Appendices A and B respectively.From the investigation, it was discovered that Gini’s original method and the relative mean difference method, (collectively referred to as the algebraic methods), provided identical results for all three data sets. However, the geometric methods, referring to the Trapezoid Rule and Logger Pro technology, provided values that differed from one another and the algebraic methods. This highlights the importance of acknowledging the method used to derive the Gini Index to ensure consistency and to allow a valid interpretation. The results of this paper also suggest that the algebraic methods should be preferred over the geometric methods when dealing with discrete data to ensure consistent results.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».