Les effets de l?education sur le comportement d?epargne-retraite des Canadiens
Bibliographic record
Abstract
La présente étude évalue la mesure dans laquelle l’éducation influence la façon dont les Canadiens économisent et se constituent un patrimoine pour leur retraite. À cet égard, elle apporte trois contributions. Premièrement, une analyse descriptive des différences sur les plans de l’épargne et de la valeur des logements pour l’ensemble des particuliers, selon le niveau de scolarité qu’ils ont atteint, est présentée. Cette analyse s’appuie sur de nouveaux ensembles de données qui permettent de coupler des répondants des recensements de 1991 et de 2006 à des dossiers fiscaux administratifs. Ces données fournissent une occasion unique d’observer conjointement la scolarité, l’épargne, la valeur des logements ainsi qu’une multitude d’autres facteurs pertinents. Deuxièmement, le lien de cause à effet qu’a l’achèvement des études secondaires sur le taux d’épargne dans des comptes d’épargne comportant des avantages fiscaux est estimé à l’aide des réformes de la scolarité obligatoire qui ont servi à cerner ce lien de cause à effet. Troisièmement, selon une récente étude de Messacar (2015), il s’avère également que la scolarité influence la façon dont les particuliers modifient leur taux d’épargne en vue de l’optimiser, à la suite d’un changement automatique dans la constitution du patrimoine retraite. Les répercussions des résultats de l’étude à l’égard du paradigme de l’incitation au changement en économie comportementale sont également abordées.
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 | 0.006 | 0.034 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
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".