MétaCan
Menu
Retour à la cohorte
Enregistrement W4378529839 · doi:10.1093/qje/qjad018

Economic Consequences of Kinship: Evidence From U.S. Bans on Cousin Marriage

2023· article· en· W4378529839 sur OpenAlexaff
Arkadev Ghosh, Sam Il Myoung Hwang, Munir Squires

Notice bibliographique

RevueThe Quarterly Journal of Economics · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDemographic Trends and Gender Preferences
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésKinshipCousinCensusStepfamilySociologyPopulationState (computer science)DemographyGenealogyDemographic economicsGeographyPolitical scienceLawHistoryEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Close-kin marriage, by sustaining tightly knit family structures, may impede development. We find support for this hypothesis using U.S. state bans on cousin marriage. Our measure of cousin marriage comes from the excess frequency of same-surname marriages, a method borrowed from population genetics that we apply to millions of marriage records from the eighteenth to the twentieth century. Using census data, we first show that married cousins are more rural and have lower-paying occupations. We then turn to an event study analysis to understand how cousin marriage bans affected outcomes for treated birth cohorts. We find that these bans led individuals from families with high rates of cousin marriage to migrate off farms and into urban areas. They also gradually shift to higher-paying occupations. We observe increased dispersion, with individuals from these families living in a wider range of locations and adopting more diverse occupations. Our findings suggest that these changes were driven by the social and cultural effects of dispersed family ties rather than genetics. Notably, the bans also caused more people to live in institutional settings for the elderly, infirm, or destitute, suggesting weaker support from kin.

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)0,004
score de la tête « metaresearch » (Gemma)0,020
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 enseignants0,038
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,090
Tête enseignante GPT0,318
Écart entre enseignants0,228 · 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

Citations38
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Quarterly Journal of EconomicsMême sujetDemographic Trends and Gender PreferencesTravaux en français237 207