MétaCan
Menu
Retour à la cohorte
Enregistrement W4224314023 · doi:10.1177/0308518x221094025

Power couples, cities, and wages

2022· article· en· W4224314023 sur OpenAlexaff
Richard Florida, Charlotta Mellander, Karen King

Notice bibliographique

RevueEnvironment and Planning A Economy and Space · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWork-Family Balance Challenges
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésResidencePower (physics)WageDemographic economicsEconomicsBargaining powerLabour economicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Power couples, defined as pairs of highly educated partners, tend to cluster in cities to take advantage of more developed labor markets, better jobs, and higher wages. This research examines to what extent being a partner in a power couple brings additional wage income benefits. We examine what the effects of power couple partnering is on wage income. Furthermore, we examine how the results are affected by gender and place of residence. To determine this, the research uses detailed Swedish micro data on power couples 23–39 years of age over the period 2007–2016. Our analysis finds positive and significant results from being in a power couple on wage income after controlling for individual, workplace, and geographical characteristics. This is the case for both men and women in power couple households without children, but for women only when children are present. For power couples in denser urban areas, we find a positive effect for men in power couples with or without children. We suggest this effect is due to a more equal “balance of power” between partners in highly educated power couples located in bigger cities, where norms and values may favor a relatively greater sharing of household duties between men and women, and where men face a different competitive situation in the labor market.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,011
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
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 savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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 Opus0,015
Tête enseignante GPT0,223
Écart entre enseignants0,208 · 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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironment and Planning A Economy and SpaceMême sujetWork-Family Balance ChallengesTravaux en français237 207