The impact of education on mortality in Canada: a micro-econometric analysis using census data
Bibliographic record
Abstract
Plusieurs études ont examiné si l'éducation a un impact causal sur la santé, avec certains qui trouvent un effet positif et d'autres aucun effet. L'évidence sur le rapport entre l'éducation et la santé dans le contexte canadien est cependant rare. Les deux premiers chapitres dans cette thèse adressent ce manque d'évidence en présentant des analyses économétriques de l'effet de l'éducation sur la santé utilisant des données de recensement canadiennes.En utilisant les changements apportés aux lois sur scolarité obligatoire au Canada comme instruments pour l'éducation, les résultats en Chapitre 1 indiquent que l'éducation a un impact causal sur la mortalité (un indicateur robuste de santé). L'accroissement de l'éducation d'une année réduit le taux de mortalité adulte de cinq ans de 2,0% à 3,5%. Ces résultats laissent penser que les méthodes traditionnelles d'évaluation des bénéfices de l'éducation pourraient en fait sous-estimer sa véritable importance.En Chapitre 2, l'instrument utilisé pour l'éducation est l'acceptabilité potentielle pour l'aide financière à l'éducation universitaire sous la Loi sur la Réadaptation des Anciens Combattants. Puisque la Loi a affecté un grand nombre d'hommes anglophones nés en Ontario et extrêmement peu d'hommes francophones nés au Québec, ce dernier est employé en tant que groupe de comparaison pour les cohortes des hommes nés en Ontario ayant l'âge d'aller à l'université à la fin de la deuxième guerre mondiale. Utilisant les données publics de recensement canadien pour le Québec et l'Ontario, les résultats de l'analyse principale en Chapitre 2 souffrent de erreur-type due à l'erreur de mesure dans la variable dépendente et une échantillon qui est trop-petite. Une analyse alternative utilisant des données administratives sur des taux de mortalité donne des résultats suggérant qu'une année additionnelle de l'éducation (tertiaire) réduise le taux de mortalité de cinq ans de 1,9%.Inspiré par le problème d'erreur de mesure découvert en Chapitre 2, le Chapitre 3 est une recherche empirique sur l'impact des erreurs de mesure sur des résultats d'évaluation. La contribution principale de ce chapitre se rapporte aux implications pour l'inférence statistique des erreurs de mesure aléatoire et non-aléatoires dans la variable dépendente, basée sur des résultats de simulation Monte Carlo.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".