Measuring U.S. 19th Century Economic Activity Using Unexploited Railway and Postal Micro-level Data
Notice bibliographique
Résumé
For the past several years, we have presented and published studies based on postal related data, from postmaster cash books and the Official Register, where we use postmaster salary data as a measure of local, highly disaggregate proxies for general economic activity at town and village level. Using micro-level, high frequency, nationally uniform and previously unknown data, we will report on the outcome of measuring levels of economic activity, political influence and social mobility phenomena. In our latest work, we will use a recently published work of railroad history investments in the 19th century. The railroad history we have is highly detailed, naming particular towns and routes. Our own micro data will allow us to associate our postmaster data with railway town information at the same micro level. Our data will also allow us to report the economic activity of non-railway towns. We will then have, at the micro-level, bi-annual comparisons made over the life of the railway routes. The relative economic, political and demographic impact of railway investment will be examined. For example, as we have the names, birthplaces and ethnic origins of postmasters in addition to their salaries. We can measure not just differences in economic activity between railway and non-railway towns but even examine questions like: "Are the railway towns places where new immigrants get to be postmasters more quickly than elsewhere?" Our larger purpose is to advertise our ever-expanding postal based dataset, which provides information of interest to economists, sociologists, historians and political scientists.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».