MODÈLE DYNAMIQUE EN PRÉSENCE DE BIAIS DE SÉLECTION ET D’HÉTÉROGÉNÉITÉ INOBSERVÉE: APPLICATION À LA PARTICIPATION DES FEMMES SUR LE MARCHÉ DU TRAVAIL AU CANADA
Bibliographic record
Abstract
Il est bien connu dans la littérature relative à l’offre de travail que négliger les phénomènes d’hétérogénéité individuelle inobservée et de biais de sélection dans la modélisation, peut conduire à une estimation biaisée et non convergente des paramètres d’intérêt. Afin de corriger ces problèmes, Kyriazidou (2001) propose une estimation en deux étapes, tenant compte de la présence de biais de sélection, d’hétérogénéité individuelle non observable et d’une structure autorégressive. Dans un premier temps, une estimation convergente des paramètres inconnus de l’équation de participation au marché du travail est obtenue. Dans un deuxième temps, les coefficients estimés sont intégrés à la construction d’une pondération Kernel appliquée aux instruments de l’estimateur GMM asymptotiquement normal et convergent à un taux près de la racine de n. Les résultats de l’estimateur GMM proposé sont comparés à un estimateur « naïf » et ceux-ci concluent en la présence significative d’un biais de sélection et d’une structure autorégressive dans l’équation de l’offre de travail des femmes au Canada. De plus, ignorer la présence de l’effet de sélection tend à sous-estimer l’impact des variables liées au ménage, soit le nombre d’enfants et le revenu de travail du conjoint, et à surestimer l’effet positif du salaire sur l’offre de travail.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".