Measuring and Mismeasuring Discrimination against Visible Minority Immigrants: The Role of Work Experience
Notice bibliographique
Résumé
English There are two methods for estimating the earnings disadvantage of groups: the residual differencemethod and the Oaxaca-Blinder decomposition. Each method infers disadvantage fromdifferences in earnings of visible minority immigrants and other Canadians, after controlsfor human capital and job characteristics. We: i) summarize the logic of these methods; ii)critically examine the character of the experience measures used in most of the research; iii)apply the residual difference method to the Workplace and Employee Survey to show how amore thorough approach to the measurement of work experience modifies estimates of earningsdisadvantage. French Deux méthodes sont utilisées pour estimer le désavantage salarial de groupes : la ‘méthode dedifference résiduelle’ et la ‘décomposition Oaxaca-Blinder’. Selon la logique de ces méthodes,après avoir contrôlé pour les différences du capital humain, le désavantage des immigrants deminorités visibles relatifs aux autres Canadiens est la différence nette du salaire. Dans cettearticle nous : i) décrivons la logique de ces méthodes ; ii) examinons la qualité des indicateursd’expérience utilisés ; iii) analysons les données de l’Enquête sur le milieu du travail et lesemployés. Notre conclusion est que le fait d’inclure d’indicateurs améliorés de l’expérience apour effet de modifier l’estimation du désavantage.
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 | 0,008 | 0,022 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».