MétaCan
Menu
Retour à la cohorte
Enregistrement W4292409716 · doi:10.3390/socsci11080367

How Has the Gender Earnings Gap in Ireland Changed in Thirty Years?

2022· article· en· W4292409716 sur OpenAlexaboutno aff
Michelle Barrett, Karina Doorley, Paul Redmond, Barra Roantree

Notice bibliographique

RevueSocial Sciences · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEarningsMicrodata (statistics)WageEconomicsDemographic economicsDistribution (mathematics)Labour economicsQuantileGlass ceilingInequalityQuantile regressionGender gapQuarter (Canadian coin)DemographyEconometricsGeographyPopulation

Résumé

récupéré en direct d'OpenAlex

Since 1987, the wages of women in Ireland have been growing faster than those of men. This, coupled with a decrease in the average hours worked by men, has resulted in a reduction in the gender earnings gap in Ireland, most notably at the bottom of the earnings distribution. This paper provides a descriptive analysis of the growth of male and female wages, weekly earnings, and differences in working patterns across the wage and earnings distribution in Ireland over the last three decades, using detailed microdata covering the period 1987–2019. Using a Oaxaca–Blinder decomposition approach, based on unconditional quantile regressions for each time period, we also show how the explained and unexplained components of the gender wage gap have changed across the wage distribution. We find that the mean and median gender gap in earnings fell by one-sixth and one-quarter, respectively, between 1987 and 2019. This change is attributable to the faster growth of women’s wages compared to men’s and some convergence in the average hours worked by men and women. However, there has been relatively stable structural inequality at the top of the wage and earnings distribution over the past three decades, which points towards a persistent glass ceiling in Ireland.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,079
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,119
Tête enseignante GPT0,266
Écart entre enseignants0,147 · 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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSocial SciencesMême sujetLabor market dynamics and wage inequalityTravaux en français237 207