Entrepreneurial Income and Wealth Dynamics
Notice bibliographique
Résumé
This thesis studies wealth inequality, entrepreneurship, and financial frictions. The first chapter focuses on how the uninsurable nature of entrepreneurial risk reduces entrepreneurial activity and affects aggregate output, productivity, and the distribution of wealth. I build a model where individuals choose to become workers or entrepreneurs, and where entrepreneurs choose how risky a business to start. My model features two distinct financial frictions. First, a missing market for entrepreneurial risk prevents entrepreneurs from insuring themselves against their income risk and the risk of business failure. Second, borrowing constraints limit the size of an entrepreneur's business. I contribute to a literature on financial frictions and entrepreneurship by studying the missing market for entrepreneurial risk. The model is calibrated using micro data on new U.S. firms. I find that completing the missing market for entrepreneurial risk improves aggregate productivity by 9% and reducing the share of wealth held by the wealthiest 1% by two thirds. In a policy experiment, a partial insurance scheme for unsuccessful entrepreneurs can increase aggregate productivity and output by encouraging entrepreneurs to start riskier businesses. In my jointly-authored second chapter, we study how the composition and distribution of household wealth affects the distribution of MPC's. We document facts in the Survey of Consumer Finances about the composition of household portfolios between housing, mortgage debt, and more liquid financial assets over the distribution of wealth. We then build a rich quantitative model with heterogeneous returns that matches both the composition and concentration of wealth. We use the model to decompose the importance of return heterogeneity, long-term fixed rate mortgages and refinancing, and owner-occupied housing for the average MPC and find that each factor significantly contributes to generating a higher average MPC, with a cumulative effect of 0.25 percentage points. In my third chapter, I study how different government policies can promote entrepreneurship by mitigating financial frictions. In the presence of both a missing market for entrepreneurial risk and borrowing constraints, I compare how entrepreneurial insurance, a universal basic income, government-backed business loans, entrepreneurial income tax deductions, and tax progressivity will impact the decisions of potential entrepreneurs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».