Racial-Ethnic Poverty Gaps in Later Life: A Role for Late Career Employment Quality?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Racial-ethnic disparities in poverty are an important form of inequality in older age. Recent scholarship on racial-ethnic poverty gaps demonstrates that, beyond individual characteristics and behaviors, racialized structural factors like employment contribute to such gaps. Yet surprisingly little is known about the role of employment quality, despite observed racial-ethnic disparities in employment quality and the role of employment history in shaping later life well-being. Using data from the 2002–2018 waves of the Health and Retirement Study (HRS) and three poverty measures, we decompose the proportions of the Black-white and Hispanic-white poverty gaps among households led by 65-year-olds that are attributable to disparities in late career employment quality. We find that racial-ethnic disparities in late career employment quality account for 17–28 percent of the observed Black-white and 18–32 percent of the observed Hispanic-white poverty gaps, thus explaining a greater proportion of such gaps than many common individual or behavioral explanations. Disaggregating employment quality into its component measures, we find racial-ethnic disparities in access to employer-provided health insurance and hourly wages account for the largest proportion of racial-ethnic poverty gaps. Our findings suggest that employment quality captures important racialized dimensions of labor market context that help account for racial-ethnic inequalities in later life poverty in the United States.
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.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle