Racial Disparities in Pre-tax Wages and Salaries in Largest Metropolitan Areas in the United States
Notice bibliographique
Résumé
The article deals with racial disparities in the distribution of pre-tax wages and salaries for employed individuals in the USA between the ages of 18-65. This study is done for the ten largest metropolitan areas of the USA using the 2019 American Community Survey data. The metropolitan areas included in the study 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. Employing well over a quarter of the total employed labour force in the USA, these ten metropolitan areas are also some of the largest industrial worlds. Average pre-tax wages and salaries, the standard deviation of the mean and Gini coefficient by major racial categories are presented for each of these ten metropolitan areas. For each metropolitan area, black employed individuals earned less in pre-tax wages and salaries than white employed individuals. The Gini coefficient of black pre-tax wages and wages is also found to be smaller for each of the metropolitan areas compared to the white counterparts. It suggests a much tighter distribution in pre-tax wages and salaries for blacks compared to whites. Furthermore, employed workers from other races earned less in pre-tax wages and salaries than their white counterparts for each major metro. Except for Los Angeles-Long Beach-Anaheim metropolitan area, black employed workers also earned less pre-tax wages and salaries than members of the other races. The Gini coefficients of pre-tax wages and salaries for various metropolitan areas for different races are found to be broadly comparable and often larger than that of the whites. Together, these results point to the fact that the pre-tax wages and salaries of black workers are lower compared to both whites and other races and more tightly distributed. Lastly, the relative inequality between whites and blacks and others and blacks often point to the relatively broader dispersion in the later group compared to the former.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».