La décomposition des mesures d’inégalité en sources de revenu : méthodes et applications*
Bibliographic record
Abstract
La lecture de la littérature indique que la mesure des inégalités de revenus s’est largement développée depuis les années 1970. L’étude des inégalités mesurées sur les revenus des individus est nécessaire mais non suffisante pour appréhender la complexité des déterminants des inégalités. En ce sens, les techniques de décompositions des mesures d’inégalité en sources de revenu sont intéressantes. Elles permettent de mettre en évidence de nouveaux indices statistiques dont la structure autorise l’analyse des sources de rémunération (salaires, primes, taxes, pensions, etc .), les corrélations de ces sources aux rangs des individus dans la société ou leurs parts dans le revenu moyen. Notre analyse s’effectue autour de la décomposition de la mesure de Gini, les débats qu’elle a pu susciter et les améliorations de la méthode en partant de la notion de pseudo-Gini à celle de Gini étendu. Les dernières méthodes en date sont aussi exposées afin de mettre en exergue les possibilités de généralisation en ce domaine en utilisant soit l’analyse économétrique soit la valeur de Shapley.
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 | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 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".