MétaCan
Menu
Retour à la cohorte
Enregistrement W73996475 · doi:10.24908/iqurcp.7638

How Do the Better Educated Earn More? Evidence from Rural China

2017· article· en· W73996475 sur OpenAlexvenueno aff
Ying Feng

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGlobal Educational Reforms and Inequalities
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChinaEarningsEconomicsLabour economicsInvestment (military)Developing countryProfit (economics)Argument (complex analysis)Economic growthDemographic economicsPolitical scienceFinance

Résumé

récupéré en direct d'OpenAlex

The question of whether or how education affects income is a basic concern for economists and policy makers. The fact that education improves one's living perspectives is also a strong argument for undertaking substantial schooling investment in the developed and developing worlds. All these initiatives point to a more fundamental question: How do the better educated earn more? This study seeks to understand this question by drawing on the experience of policy reforms in rural China. In particular, I estimate the net profit function of rural households using China Household Income Project in 2002. I find strong support that education is rewarded through affecting households' allocation of labor and investments. It is estimated that an additional year of education is associated with 2.54 percent increase in net profits: 1.1 percent comes from better allocation of labor; 0.35 percent comes from better utilization of investment; 1.09 percent is due to the direct impact of education on earnings. The study has potentially important policy implications for completing China's economic reforms in that education is a crucial element. It also mirrors the experiences of other developing countries and shed light on how schooling should be financed: focusing on a few rather than universal provision may have a more profound impact on earnings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,115
Score d'incertitude au seuil0,228

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,181
Tête enseignante GPT0,446
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetGlobal Educational Reforms and InequalitiesTravaux en français237 207