MétaCan
Menu
← Retour à la cohorte
Enregistrement W3180594041

Manufacturing Jobs and Inequality: Why is the U.S. Experience Different?

2019· article· en· W3180594041 sur OpenAlexaboutno aff
Natalija Novta, Evgenia Pugacheva

Notice bibliographique

RevueSSRN Electronic Journal · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInequalityEconomicsLabour economicsDistribution (mathematics)WageWage inequalityEconomic inequalityIncome distributionQuarter (Canadian coin)Manufacturing sectorIncome inequality metricsDemographic economics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We examine the extent to which declining manufacturing employment may have contributed to increasing inequality in advanced economies. This contribution is typically small, except in the United States. We explore two possible explanations: the high initial manufacturing wage premium and the high level of income inequality. The manufacturing wage premium declined between the 1980s and the 2000s in the United States, but it does not explain the contemporaneous rise in inequality. Instead, high income inequality played a large role. This is because manufacturing job loss typically implies a move to the service sector, for which the worker is not skilled at first and accepts a low-skill wage. On average, the associated wage cut increases with the overall level of income inequality in the country, conditional on moving down in the wage distribution. Based on a stylized scenario, we calculate that the movement of workers to low-skill service sector jobs can account for about a quarter of the increase in inequality between the 1980s and the 2000s in the United States. Had the U.S. income distribution been more equal, only about one tenth of the actual increase in inequality could have been attributed to the loss of manufacturing jobs, according to our simulations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,101

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,014
Tête enseignante GPT0,218
Écart entre enseignants0,204 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic Journal→Même sujetLabor market dynamics and wage inequality→Travaux en français237 207→