The Effects of Some Social and Economic Indicators on the Gap Between the American Income Inequality Level and Its Optimal Level
Notice bibliographique
Résumé
Since the last decades of the twentieth century, there has been a debate on the causes and consequences regarding the rise of inequality in its varied dimensions. Much discussion is dedicated to whether public policies should be aimed at reducing or mitigating the upward trend in inequality. This paper explores empirical evidence regarding the income inequality level that maximizes the per capita consumption of the U.S. economy from 1946 to 2015. Based on the cointegration equations empirical tests, we find a concave nonlinear relation between the log of per capita consumption and the log of the Gini Index. In this context, the optimal level of income inequality is 0.376. In addition, we test whether some determinants of inequality show a nonlinear relationship with the square of the difference between the current Gini index and its optimal level, (Gini – Gini*)2. The relation between (Gini-Gini*)2 and education shows an inverted U-shaped curve in which the threshold value wasn’t reached yet but, once the threshold value is reached, more education consumption could reduce income inequality, which can result in better equality of opportunity for most of the American population. However, the indicators of economic openness, taxes, and financial assets show U-shaped curves. Considering the analyzed period from 1946 to 2015, openness and, taxes have contributed to the increase in inequality since the mid-1970s. Besides, financial assets also have contributed to inequality since 2008. However, from 1946 to about 2007, these financial assets, which include credit, contributed to generating lower income inequality.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».