Disparités interindustrielles dans les taux de départs volontaires : une étude empirique
Bibliographic record
Abstract
L’objet de cet article est d’utiliser le modèle d’estimation LISREL dans l’étude empirique des départs volontaires au Québec. Il s’agit d’un modèle d’estimation de coefficients inconnus d’un ensemble d’équations structurelles linéaires avec variables latentes. Les données utilisées sont au niveau de l’industrie. Elles portent sur l’année 1982 et proviennent de diverses sources. Le modèle estimé contient trois variables endogènes latentes : les départs volontaires, les occasions économiques et les facteurs de risque. Le modèle retient aussi dix variables exogènes portant sur les caractéristiques personnelles des travailleurs, leur formation, leur milieu de travail et l’état des relations de travail. La majorité des résultats obtenus confirment nos anticipations. Par ailleurs, nous avons trouvé un résultat très significatif voulant que les « facteurs de risque » (indice composé de l’incidence et de la gravité des accidents du travail) réduisent les départs volontaires. Ce résultat s’ajoute au peu de résultats empiriques à ce sujet, mais est contraire à ces derniers. Nous avons donc été amenés à examiner de plus près les fondements théoriques des attentes sur cette relation pour en conclure que l’attente traditionnelle d’une relation positive n’était pas fondée et que l’on pouvait tout à fait appuyer une relation négative entre les « facteurs de risque » et les départs volontaires. Notre analyse détaillée des résultats empiriques fait ressortir l’intérêt du modèle LISREL dans l’étude du phénomène complexe des départs volontaires. Mots clés : départs volontaires, salaires, risques d’accidents, LISREL.
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 | 0.019 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.002 |
| 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".