Traits saillants de la méthode d’estimation des familles de recensement développée par Statistique Canada
Bibliographic record
Abstract
La méthode décrite ici sert à produire des estimations de familles de recensement suivant un certain nombre de caractéristiques, notamment : la taille, le nombre d’enfants, le groupe d’âges de l’époux, de l’épouse ou du chef et l’état matrimonial du chef. Cette méthode a été conçue de façon à tirer parti des données relatives aux familles dans les sources statistiques majeures : les recensements du Canada, la statistique de l’état civil et l’enquête mensuelle sur la population active. Dans une première étape, on estime le nombre des familles à partir du dernier effectif recensé auquel on ajoute le mouvement mesuré à partir de sources diverses dont l’état civil. Ce procédé a le mérite d’identifier et de mesurer les facteurs responsables de la croissance du nombre des familles et il a donné d’excellents résultats lorsque testé sur des périodes antérieures. La seconde étape consiste à répartir l’effectif total suivant certaines caractéristiques en utilisant des distributions tirées de l’enquête sur la population active. Non seulement les données de cette enquête permettent-elles une infinité de recoupements de variables, mais encore, la fréquence des collectes garantit une information parfaitement à jour.
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 | 0.013 | 0.045 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".