Dynamique et hétérogénéité de l’emploi en déséquilibre
Bibliographic record
Abstract
Pour rendre compte à un niveau macroéconomique des hétérogénéités qui caractérisent le marché du travail, la démarche la plus indiquée est l’agrégation par intégration des micromarchés en déséquilibre. Afin d’enrichir la structure dynamique de ce modèle d’équilibre avec rationnements quantitatifs, nous incluons des variables latentes retardées dans les équations d’offre ou de demande de travail ainsi que les rationnements passés dans l’équation de salaire. À la lumière des derniers développements proposés par Laroque et Salanié (1993), l’estimation de ce type de modèle est désormais envisageable. Leur méthode repose sur une extension du pseudo-maximum de vraisemblance simulé au cas dynamique. Notre objectif est, d’une part, d’étudier l’emploi en déséquilibre et la formation des salaires et d’autre part, de tester l’existence de micromarchés. L’application sur données macroéconomiques trimestrielles françaises met en évidence les résultats suivants. L’hypothèse d’existence de micromarchés ne semble pas rejetée. Néanmoins, depuis la fin des années 70, la contribution de l’imparfaite réallocation entre micromarchés à la montée du chômage se serait réduite. En outre, des effets de report dynamiques semblent affecter la demande de travail et les déséquilibres à la fois présents et passés pèseraient sur la croissance des salaires.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".