Skill-biased Technical Change and Intergenerational Education Mobility
Notice bibliographique
Résumé
Abstract This paper analyzes the impact of skill-biased technological change (SBTC) on intergenerational education mobility. I set up an SBTC model with an overlapping generations framework, where heterogeneously-skilled households invest in their children's education to make them skilled. Technology incentivizes these investments by creating both pecuniary (higher skill-premium) and non-pecuniary (improved life skills) benefits; it constrains investments among low-income households by increasing inequality. I show there is a critical technology range within which SBTC shocks can increase investments by both high-income and low-income households, improving absolute education mobility. Moreover, the relative increase in transfers can be larger for the low-income group who initially have lower investment levels, which can help their children catch-up. I test the predictions of the model using data from Chetty et al. (2014) which show how college attendance rates of children in U.S. commuting zones (CZs) are linked to the rank of their families in the national income distribution. A technology measure is constructed for each CZ using its share of STEM workers, which I instrument using a Bartik-type IV to deal with endogeneity concerns. From 2SLS estimations, I find that college attendance rates of children from households in the same income rank improve if households are located in higher technology CZs, with the improvement being larger among lower-ranked households. Thus, SBTC is found to improve both absolute and relative intergenerational education mobility. JEL Codes: J24, J31, J62, I24, O33
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 ».