Poverty Diagnostics in the Philippines: Assessing Impacts of Programs through Generalised Linear Models (GLMs)
Notice bibliographique
Résumé
The Philippines is a country where a quarter to one-third of the population\nis poor. Although the nation has managed to lower poverty incidence\nin some years, its booming population increases the poor population dramatically.\nThis is why alleviating poverty is a pinnacle program in the\ncountry.\nIn aid of poverty alleviation endeavor, this study focuses on assessing\nwhich programs had been effective in alleviating poverty given other\nfamily characteristics. Aside from descriptive methods, employing Generalised\nLinear Models (GLMs) and categorical data analysis are the focus\nin analysing the effects of existing intervention programs on status of\nimprovement and income of families. In addition, varying effects of programs\ndepending on values of other covariates are also analysed.\nDescriptive analysis and modeling are applied on the panel data of\nfamilies. Intervention programs namely scholarship, Comprehensive Agrarian\nReform Program (CARP) and government housing or other housing financing\nprogram (GHFP) have been run together with other family characteristics\nto describe improvement in welfare and income. Interaction\neffects, between access to intervention programs and other aspects of the\nfamily, have been derived to give a richer picture of the phenomenon. The\nstudy has come to conclude that the programs are indeed effective in improving\nlives of families, with some effects varying on some levels of other\nexplanatory variables.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».