Pre-Tax Wage and Salary Income Inequalities in Largest Metropolitan Areas in the United States
Notice bibliographique
Résumé
The distribution of pre-tax wages and salaries for employed individuals between the ages of 18-65 in the ten largest metropolitan areas of the USA are studied in this paper using the American Community Survey data from 2019. The included metropolitan areas are Atlanta-Sandy Springs-Roswell, Chicago–Naperville-Elgin, Dallas-Fort Worth-Arlington, Houston-The Woodlands-Sugar Land, Los Angeles-Long Beach-Anaheim, Miami-Fort Lauderdale-West Palm Beach, New York-Newark-Jersey City, Philadelphia-Camden-Wilmington, San Francisco-Oakland-Hayward, and Washington-Arlington-Alexandria. These ten metropolitan areas employed over 39 million individuals representing well over a quarter of the total employed labour force in the USA. Mean, median, standard error of the mean, 25th percentile, 50th percentile, and the Gini coefficient of pre-tax wages and salaries are presented for each metropolitan area. The metros differ significantly in terms of average pre-tax wages and salaries. They differ significantly in terms of the spread in the distribution of pre-tax wages and salaries measured both in terms of the inter-quartile range (the difference between 75th and 25th percentiles) and the Gini coefficient. San Francisco-Oakland-Hayward is found to have both the highest average pre-tax wages and salaries and widest inequality as measured by the Gini coefficient. The Smallest Gini coefficient is observed in Washington-Arlington-Alexandria metropolitan area. Inequality measured in terms of the Gini coefficient is nearly 15% higher in San Francisco-Oakland-Hayward as compared to Washington-Arlington-Alexandria. The average pre-tax wages and salaries are about 83% higher in San Francisco-Oakland-Hayward than Miami-Fort Lauderdale-West Palm Beach, the lowest in the nation. While aggregate nationwide inequalities attract intense attention, these regional variations point to significant and wide-ranging variations between different regions (metropolitan cities). By focusing on the pre-tax wages and salaries, this study allows us to tie inequalities that are most closely related to the labour market conditions, unlike other sources of income like capital gains, inheritance, government transfers, etc.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».