Who is poor and who is not? Toward an empirical basis for identifying the poor
Notice bibliographique
Résumé
In "Poverty: An Ordinal Approach to Measurement" (1976), Amartya Sen defines the problem of identifying the poor as one of two that have to be addressed when we operationalize poverty.In this dissertation, I propose an innovative empirical approach to responding to this problem.My dissertation unfolds in four stages.First, I argue that an empirical approach to the identification problem is both desirable and possible.Second, I propose my own approach.Drawing on work in the basic needs tradition, I argue that experiencing poverty should result in the life trajectories of the poor looking different from those of the non-poor.Specifically, they should be uniquely vulnerable to suffering a cumulative negative dynamic in functioning over time, which I elect to call "deprivation."Third, I model this dynamic and propose a method for using it to evaluate poverty indicators.Fourth, I estimate the dynamic in the United States and Canada using panel data on individual earnings and household income and dynamic panel data estimators.Then, I use these results to assess the relative poverty indicator most widely used in rich countries, known in Canada as the Low-Income Measure (LIM).I find that a household in the UnitedStates needs to command about 61% of median adjusted after-tax income and in Canada, 43%, to be able to protect themselves against deprivation.Broadly speaking, if we accept the theoretical arguments offered in this dissertation, then the LIM-which is defined at 50%-strikes a rough balance between these two empirical standards.Dans «La pauvreté: une approche ordinale de la mesure» (1976), Amartya Sen définit le problème de l'identification des pauvres comme l'un des deux problèmes à résoudre lorsque nous opérationnalisons la pauvreté.Dans cette thèse, je propose une approche empirique innovante pour répondre à ce problème.Ma thèse se déroule en quatre étapes.Premièrement, je soutiens qu'une approche empirique du problème d'identification est à la fois souhaitable et possible.Deuxièmement, je propose ma propre approche.Basé sur le travail de la tradition des besoins essentiels, je soutiens que faire l'expérience de la pauvreté devrait donner aux trajectoires de vie
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 | 0,031 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,026 |
| Communication savante | 0,013 | 0,021 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».