Effet de l'éducation sur la fécondité au Canada
Notice bibliographique
Résumé
Ce mémoire analyse l’effet de l’éducation sur la fécondité au Canada de 1990 à 2019. Pour ce faire, nous avons utilisé la modélisation vectorielle à correction d’erreur (VECM) afin de mettre en évidence les effets à court et à long terme entre nos variables à travers des tests de racine unitaire (stationnarité), de cointégration de Johansen, ainsi que le test de causalité au sens de Granger. Nous avons inclus dans notre étude non seulement les variables éducatives, mais aussi les variables économiques et démographiques. Les résultats montrent que bien que les femmes plus instruites aient tendance à avoir un taux de fécondité plus bas, les tests de causalité ne révèlent pas de lien direct entre l’éducation et la fécondité au Canada. Cela signifie que l’éducation n’est pas nécessairement la cause principale de la baisse de la fécondité, mais elle peut être corrélée à d’autres facteurs influents. Par ailleurs, l’analyse des fonctions de réponse impulsionnelle révèle que les variables économiques et démographiques, telles que le PIB réel et la migration nette (MN), ont un impact positif sur le taux de fécondité. En revanche, les variables éducatives et la participation des femmes à la population active tendent à faire baisser la fécondité. Ce résultat peut s’expliquer par le fait que les femmes plus instruites, et souvent plus engagées dans leur carrière, tendent à avoir moins d’enfants, bien que l’éducation en elle-même ne soit pas la cause directe de cette baisse. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : VECM, lien causal, fécondité, éducation, les fonctions de réponse impulsionnelle, modélisation.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 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 ».