Federal Reserve Bank of St. Louis REVIEW Second Quarter 2014 147 Representative Neighborhoods of the United States
Notice bibliographique
Résumé
R acial segregation is a striking trait of U.S. cities. Iceland, Weinberg, and Steinmetz(2002) report that 64 percent of the black population would have needed to changeresidence for all U.S. neighborhoods to become fully integrated in the year 2000. Income differences across neighborhoods have also been well documented. Wheeler and La Jeunesse (2007) report that between-neighborhood inequality in 2000 represented around 20 percent of overall annual household income inequality in Census data. The variation in housing prices across neighborhoods has also been the focus of a large literature.1 This article attempts to summarize the landscape of U.S. cities using a small number of representative neighborhoods. The motivation for this effort is twofold. On the one hand, a clear and concise characterization of the American urban landscape may be useful in the con-struction of theories involving neighborhood formation. On the other hand, a simple repre-sentation can be used to impose empirical discipline on quantitative models with a small number of locations. These types of models are important since they can address complex dynamic issues such as the interaction between neighborhood formation and human capital accumulation without becoming computationally infeasible (see, for example, Fernandez and Many metropolitan areas in the United States display substantial racial segregation and substantial variation in incomes and house prices across neighborhoods. To what extent can this variation be sum-
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,173 | 0,077 |
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 ».