Determinantes asociados a las desigualdades de género en el desarrollo de competencias financieras : un estudio internacional a partir de los resultados en PISA 2018
Notice bibliographique
Résumé
This work identifies the causes that give rise to gender inequalities in the level of knowledge of issues related to the economy and finance, for the countries or economies that participated in the PISA tests in 2018. In addition, it calculates the relative weight of gender on heterogeneity in the results of these tests. For this, the Educational Production Function was estimated by groups [men and women], through the method of Least Squares in Two Stages, to solve the endogeneity problem, and later the Oaxaca-Blinder and Shorrocks Shapley techniques were used. The results obtained here found significant gender inequalities with a higher performance in women than in men, in the cases of Bulgaria and Indonesia, that is, women, on average, have a greater knowledge of economic and financial issues. These inequalities are caused, in some extent, by the differences in initial endowments, specifically, specifically those differences that exist between men and women who do not repeat a grade and / or who actively participate in social networks. In the case of Canada, the United States and Russia, men obtain a higher performance in PISA-Financial 2018, compared to women, due only to unobservable factors that are not attributable to individual, family, or school characteristics. In Chile, the gaps continue in favor of men, but unlike in the previous countries, they are due to unobservable factors of individual characteristics. For Estonia, Italy, Poland, Portugal and Tatarstan, men continue to perform better, but the endowment effect explains this inequality to a greater extent, where the unobserved characteristics of the family originate these differences [Estonia, Italy, and Portugal] and individual characteristics [Poland and Tatarstan]. Finally, it was estimated that individual characteristics determine, on average, 28.27% of the variability in the results of all the countries participating in PISA-Financiero 2018, where gender is constituted as the input with the greatest weight within these characteristics [11.1 % on average].
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».