On the theory and measurement of relative poverty using durable ownership data
Notice bibliographique
Résumé
Poverty measurement using durable ownership data is an attempt to infer income constraints by observing consumption choices. But what drives household spending choices on durable goods? How do these choices relate to poverty and class? What does it mean to be ‘relatively’ poor and why should we care to measure it? In this paper, we propose an economic theory of household decision-making that links these questions using a novel wealth-begets-wealth mechanism. We show that the steady state distribution of total (accumulated) household durable expenditures in this model exhibits natural clusters (classes). Furthermore, certain households may be vulnerable to a long run ‘poverty of opportunities’, being unable to access any of the channels of income generation available in society. Our model shows that relative poverty can be understood as the endogenous outcome of an intergenerational process that perpetuates unequal access to opportunities. This finding has novel implications for the measurement of poverty, which has traditionally hinged on definitions that assume exogenous (often arbitrary) cutoffs. The contribution of this paper also lies in its novel methodology, viz., formulating a theoretical model as the foundation of a data-generating process for synthetic observations, using patterns observed therein to inform the process of poverty measurement. The methodology delivers a framework for generating testable hypotheses around the long-run effect of policy changes (such as income transfers or education subsidies) on relative poverty – an approach that can be applied generally to understand the observed behaviour of economic agents in complex dynamic settings.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».