PANEL DATA ANALYSIS MAKING EFFECT THE VARIABLES ON INCOME DISTRIBUTION INJUSTICE
Notice bibliographique
Résumé
Income distribution injustice is one of the serious and complex problems in development of a country. In a country, for economic development to spread over social basis, it is necessary for the gains en-gendered by growth to be shared with all society. Thanks to this, a country also provides economic growth as well as welfare increase. Spread of economic growth over social basis is closely related to a fair income distribution. In the study carried out, income distribution injustice is associated with Gini Coefficient. While that Gini Coefficient approaches zero means that country incomes are fairly dis-tributed to every sector of society, that it approaches to one expresses that incomes are collected in certain sectors and that income justice in that country becomes worse. In this study, utilizing the1990-2020 annual data of the countries such as USA, Brazil, Canada, Finland and United Kingdom, it was aimed to identify that income distribution injustice are affected from which of the variables such as employment rate, per capita income, fertility rate, urbanization and investment rate and how. As dependent variable of the study, Gini Coefficient was used. In the study, utilized panel data analysis, according to the results of long term PDOLS predictor analysis, it was concluded that an increase of one unit occurring in per capita income, gross capital formation (investment) and employment rate affected Gini Coefficient in positive direction, that fertility rate was insignificant, and that urbaniza-tion negatively affected it.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».