The determinants of income inequality: a cross- country investigation
Notice bibliographique
Résumé
Cette thèse étudie les tendances récentes de l'inégalité du revenu à l'échelle mondiale. Une base de données unique est construite à l'aide de données provenant de la Banque Mondiale et de l'OCDE pour un échantillon de 124 pays sur la période 1980 à 2010. L'analyse de ces données révèle trois résultats distincts. Tout d'abord, en termes de la distribution spatiale de l'inégalité du revenu dans le monde, on retrouve (i) des concentrations de niveaux élevés d'inégalité en Amérique du Sud et Centrale ainsi que (ii) des concentrations de niveaux faibles d'inégalité en Europe occidentale, en particulier dans les pays scandinaves. Au cours de la période d'étude, des augmentations significatives du niveau d'inégalité sont enregistrées pour la Russie et l'Amérique du Nord (notamment au Canada et aux États-Unis). Malgré la persistance de niveaux élevés d'inégalité en Amérique du Sud, les inégalités du revenu dans la région semble être en recul, si ce n'est que très légèrement. Deuxièmement, les résultats d'analyses de régression démontrent que l'hypothèse de Kuznets est toujours d'actualité. Ces résultats sont robustes à différentes mesures d'inégalité. Enfin, en ce qui concerne les déterminants de l'inégalité, les modèles de régression de panel révèlent que plusieurs facteurs sont derrières les tendances observées. Le niveau de développement économique, le ratio de dépendance d'âge, les dépenses du secteur public et le niveau d'activité manufacturière sont tous des déterminants importants de l'inégalité du revenu à l'échelle internationale.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».