MétaCan
Menu
Retour à la cohorte
Enregistrement W804581647

Potential Determinants of Top Income Inequality

2010· preprint· en· W804581647 sur OpenAlexaboutno aff
Saikat Sarkar, Matti Tuomala

Notice bibliographique

RevueTampere University Institutional Repository (Tampere University) · 2010
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic theories and models
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomic inequalityEconomicsIncome distributionIncome inequality metricsInequalityIncome sharesDistribution (mathematics)Adjusted gross incomeLabour economicsComprehensive incomeInterest rateDemographic economicsGross incomeMacroeconomicsState income taxPublic economicsTax reform
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Using the data series produced from the collective research project on the dynamics of income distribution (Atkinson and Piketty 2007, 2010) we have studied the effect of different economic factors on top income inequality in the Anglo-Saxon countries (Australia, Canada, New Zealand, UK, USA). These effects turn out to be different for individual countries. The bubbles of financial market explain the surge in top income inequality in the United States. Our results reveal that the bubbles of financial market increase top income inequality, although the economic growth rate fails to increase top income shares in the United States. The effect of economic growth rate on top income inequality is also time varying in the Anglo Saxon region. The positive economic growth rate of post 1980 turns out to be pro rich but the economic growth rate of pre 1980 does not promote the top income inequality. The top marginal tax rate and government expenditure may have an equalizing effect by reducing income of the rich, though the impact of financial development on top income inequality is inconclusive.

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)0,000
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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,018
Tête enseignante GPT0,191
Écart entre enseignants0,173 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTampere University Institutional Repository (Tampere University)Même sujetEconomic theories and modelsTravaux en français237 207