MétaCan
Menu
Retour à la cohorte
Enregistrement W3173543196 · doi:10.33423/jabe.v21i8.2575

Effect of Student Loans on Income Inequality in the United States

2019· article· en· W3173543196 sur OpenAlexaffvenue
Ashraf Ahmed, Mahfuz Kabir

Notice bibliographique

RevueJournal of Applied Business and Economics · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIntergenerational and Educational Inequality Studies
Établissements canadiensKeyano College
Organismes subventionnairesnon disponible
Mots-clésLoanInequalityPovertyStudent loanEconomicsDemographic economicsEconomic inequalityDistribution (mathematics)Higher educationLow incomePanel Study of Income DynamicsPanel dataIncome distributionLabour economicsBusinessEconomic growthFinanceEconometrics

Résumé

récupéré en direct d'OpenAlex

Student loan is a pervasive problem in the United States. Historically, higher education has been a major driver of intergenerational mobility in the United States. The current student loan has increased substantially over the years, surpassing credit card and auto loans. Using panel data from all States, this paper attempts to empirically predict if income inequality is affected by student loans. Statistical analysis points towards student loan exacerbating income inequality. Other variables such as private college tuition and household poverty have a highly significant negative effect on income inequality. The overall results suggest that increased access to higher education at the expense of higher student loans may be countervailing to the income distribution dynamics of the United States.

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)0,002
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 enseignants0,570
Score d'incertitude au seuil0,141

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 ouverte0,0000,000
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 Opus0,029
Tête enseignante GPT0,326
Écart entre enseignants0,297 · 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

Citations1
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Business and EconomicsMême sujetIntergenerational and Educational Inequality StudiesTravaux en français237 207