Income Replacement in Retirement: Longitudinal Evidence from Income Tax Records
Bibliographic record
Abstract
RÉSUMÉ Nous analysons un grand fichier de données longitudinales des déclarations de revenus pour les individus canadiens, en appliquant une procédure de détermination de la retraite, qui est basé sur le revenu d’emploi, afin de évaluer qui se sont retirés et comment ils réussissent à maintenir leurs revenus après la retraite. Cette approche méthodologique peut être d’interêt pour une application éventuelle dans d’autres pays qui ont des données appropriées. Nos principales conclusions sont les suivants. En premier, dans les deux ans qui suivent le départ en retraite, les ratios de remplacement du revenu après taxes atteignent en moyenne environ deux- tiers lorsqu’ils sont calculés sur tous les âges de départ en retraite. Deuxièmement, les ratios ont tendance à augmenter avec l’âge de la retraite. Troisièmement, les ratios augmentent avec les anneés de la retraite, du moins dans les premières années. Enfin, les ratios de remplacement du revenu sont les plus élevés pour le quartile des revenu les plus bas et diminuent généralement à mesure que le revenu augmente ; avec chaque quartile, les taux de remplacement augmentent davantage pour ceux qui ont pris leur retraite plus tard que pour ceux qui l’ont prise plus tôt.
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 | 0.011 | 0.037 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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 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".