En quelle année vaut-il mieux être né? Les revenus des hommes et des femmes au Canada pendant un quart de siècle
Bibliographic record
Abstract
Il existe une perception qu’il y a des inégalités économiques entre les générations et plus précisément que la situation économique des jeunes travailleurs d’aujourd’hui est moins bonne que celle de leurs aînés. Dans ce texte, on cherche à tester cette hypothèse pour les hommes et les femmes au Canada. En combinant des microdonnées des recensements canadiens de 1971, 1981, 1986, 1991 et 1996, on estime des régressions de gains qui isolent les effets de l’année de naissance et de l’âge. Les valeurs monétaires sont converties avec l’indice des prix à la consommation (IPC). Dans la spécification de base, il n’y a pas d’autres variables explicatives. Pour les hommes, on obtient le résultat que la génération la plus « chanceuse » est celle née en 1944 et que les moins fortunés sont ceux nés récemment. Pour les femmes, la génération ayant les gains les plus élevés est celle née en 1960 et les générations récentes gagnent beaucoup plus que les plus anciennes. L’inclusion de variables explicatives standards ne change pas la forme de la relation entre les gains et l’année de naissance, mais les écarts entre générations sont plus petits. Les résultats sont sensibles à l’utilisation de l’IPC pour convertir les revenus. Si on suppose, comme certains le pensent, que l’IPC a systématiquement surestimé les augmentations de prix dans le passé, la situation économique des jeunes générations est meilleure que ce qu’on aurait estimé autrement. L’inclusion de variables d’interaction entre l’âge et l’année de naissance montre que les rendements selon l’âge sont plus petits pour les générations récentes que pour les générations anciennes. Les résultats confirment en partie certaines idées courantes sur le bien-être relatif des générations, mais ils montrent aussi la difficulté de comparer les niveaux de vie dans le temps.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".