Fiscal Policy, Returns to Skills, and Canada-US Migration: Evidence from the Late 1990s
Bibliographic record
Abstract
Dans cet article, nous présentons un modèle logit hiérarchique des migrations entre 59 régions du Canada et des États-Unis que nous avons conçu grâce à plus de 70 000 microdonnées portant sur les travailleurs de tous les déciles de la répartition des compétences que comportaient les recensements canadiens et américains de 2000/2001, puis nous faisons des estimations et des simulations. En combinant les données individuelles et et les données régionales, nous pouvons analyser les effets des différences de politiques fiscales des deux pays sur les migrations des travailleurs. Comme nous savons quels sont les travailleurs hautement qualifiés, nous pouvons simuler les effets que des changements en matière d’impôt (en présupposant des budgets équilibrés) auraient autant sur la tendance des individus à migrer que sur l’importance des courants migratoires. Ces simulations suggèrent qu’une augmentation du rendement des compétences après impôt au Canada ainsi que la réduction, au niveau moyen américain, du taux moyen d’imposition canadien (avec compensation des réductions des dépenses pour maintenir la neutralité budgétaire) réduiraient effectivement les migrations vers les États-Unis, particulièrement parmi les travailleurs hautement qualifiés. Toutefois, les réductions des taux d’imposition et des dépenses publiques nécessaires pour produire ce résultat étant relativement élevées, cela soulèverait des questions touchant des politiques publiques importantes dans d’autres domaines.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 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".