MétaCan
Menu
Retour à la cohorte
Enregistrement W3144790588 · doi:10.3386/w28353

Examining Income Expectations in the College and Early Post-college Periods: New Distributional Tests of Rational Expectations.

2021· report· en· W3144790588 sur OpenAlexaff
Thomas F. Crossley, Yifan Gong, Todd Stinebrickner, Ralph Stinebrickner

Notice bibliographique

RevueNational Bureau of Economic Research · 2021
Typereport
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensWestern University
Organismes subventionnairesSpencer FoundationAndrew W. Mellon FoundationNational Science Foundation
Mots-clésRational expectationsEconomicsEconometricsPsychologyDemographic economicsTest (biology)Actuarial science

Résumé

récupéré en direct d'OpenAlex

Unique longitudinal probabilistic expectations data from the Berea Panel Study, which cover both the college and early post-college periods, are used to examine young adults' beliefs about their future incomes. We introduce a new measure of the ex post accuracy of beliefs, and two new approaches to testing whether, ex ante, agents exhibit Rational Expectations. We show that taking into account the additional information about higher moments of individual belief distributions contained in probabilistic expectations data is important for detecting types of violations of Rational Expectations that are not detectable by existing mean-based tests. Beliefs about future income are found to become more accurate as students progress through school and then enter the post-college period. Tests of Rational Expectations almost always reject for the in-school period, but the evidence against Rational Expectations is much weaker in the post-college period.

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)0,007
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,728
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,285
Tête enseignante GPT0,495
Écart entre enseignants0,210 · 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'étudeThéorique ou conceptuel
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

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetIncome, Poverty, and InequalityTravaux en français237 207