MétaCan
Menu
Retour à la cohorte
Enregistrement W7010507648

Ingreso mediano en Chile revisado: Un análisis con cuentas Nacionales Distributivas

2024· article· en· W7010507648 sur OpenAlexaboutno aff

Notice bibliographique

RevueEconstor (Econstor) · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueFeminism, Gender, and Social Issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGini coefficientQuarter (Canadian coin)Socioeconomic statusMedian incomeIncome distributionHousehold incomeEconomic inequalityAdjusted gross incomeInequality
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

A commonly used figure to highlight inequality in Chile is the median income of the Chilean socioeconomic household survey (known by its acronym in Spanish, CASEN). According to this survey, in 2017 the median monthly income per worker was CLP (Chilean pesos) 400,718 pesos, which compares to average income per worker from National Accounts of CLP 1,350,000 in the same year. For this difference to be correct, the implied Gini coefficient would be 0.7, which much above the Gini implied by the same survey. However, surveys, such as CASEN, often underreport income, particularly for middle- and high-income earners, leading to an underestimation of the median income. This study compares various data sources, including national accounts, household surveys, and administrative records, to create a more accurate picture of income distribution and median income. The corrected data shows higher median incomes and greater inequality than previously reported. On average, the underestimation of gross wages in the Chilean national household survey as compared to national accounts is 40%, significantly larger than other countries. About a quarter of this gap is attributed to the "missing rich" in the survey. For 2017, this equates to an estimated median gross income for dependent labor of CLP 600,000 and CLP 570,000 for all workers. The corrected mean-median income ratio (Gini) is 26% (17%) larger than in the raw survey of 2017 and falls only 6% (3%) between 2006 and 2017 compared with a larger decline of 12% (11%) in the original data.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,137
Score d'incertitude au seuil0,272

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,012
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,301
Écart entre enseignants0,282 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetFeminism, Gender, and Social IssuesTravaux en français237 207