Three Essays On The Economics of Education
Notice bibliographique
Résumé
This thesis examines heterogeneity in human capital outcomes across race and gender. Using administrative data from British Columbia, the first chapter investigates the income-achievement gap in provincial test scores among Grade 4 and 7 students of different racial backgrounds. The second chapter estimates the impact of switching post-secondary majors on labour market earnings for men and women. Finally, using university application data from Ontario, the third chapter investigates gender gaps in applications, offers and acceptances to engineering and computer science programs. In Chapter 1, I show that there is considerable variation in test score gaps between children from families of high- and low-socioeconomic status (SES) across racial backgrounds. In particular, the gap in mean test scores between Indigenous children of high- and low SES is 0.7 standard deviations, while it is only 0.37 standard deviations for East Asian children. Further investigation into the gap among Indigenous students reveals a potential connection to broader socio-economic issues impacting Indigenous communities. In Chapter 2, I study the impact of switching post-secondary majors on earnings. To address the endogeneity of switching, I employ a doubly-robust matching estimator to create a credible counterfactual group for switchers. Switching has a greater impact on the earnings of women, with women experiencing gains (losses) as large as $15,500 ($23,000) conditional on initial major. These results highlight the importance of major-choice as it relates to labour market earnings. Finally, Chapter 3 investigates the gender gaps throughout the application process to undergraduate engineering and computer science programs. While we observe large gender gaps in applications to both programs, we also observe gender gaps in offers to engineering programs and acceptances to computer science programs. This suggests that both programs may face unique challenges in achieving gender parity in enrollment.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».