Makroekonomiczne determinanty bezrobocia na przykladzie Polski i Stanow Zjednoczonych w latach 2000–2016 [Macroeconomic determinants of unemployment on the example of Poland and United States in years 2000–2016]
Bibliographic record
Abstract
Motywacja: Uzasadnieniem wyboru tematu jest duże znaczenie zjawiska długookresowego bezrobocia dla rozwoju gospodarczego oraz metod profilowania bezrobotnych, które mają zapobiegać temu zjawisku.Cel: Celem artykułu był wybór makroekonomicznych determinant długookresowego bezrobocia w Polsce i Stanach Zjednoczonych. Analiza koncentrowała się także na omówieniu możliwości zwalczania długookresowego bezrobocia dzięki profilowaniu bezrobotnych oraz dotychczasowych rezultatów tej metody w Polsce.Wyniki: W sposób statystycznie istotny na stopę bezrobocia oddziałują następujące zmienne makroekonomiczne: stopa bezrobocia z poprzedniego kwartału, realna stopa wzrostu PKB, stopa inflacji, stopa wzrostu udziału eksportu w PKB oraz inwestycje. W większości przypadków wpływ ten okazał się być zgodny z teorią ekonomii. W Polsce stopa bezrobocia najsilniej reaguje na zmiany PKB w przeciwnym kierunku. Można zatem oczekiwać, że stymulowanie wzrostu gospodarczego lub podejmowanie działań wspierających go w długim okresie, powinno przełożyć się na spadek stopy bezrobocia w Polsce. W Stanach Zjednoczonych na stopę bezrobocia w sposób znaczący oddziałuje zarówno stopa wzrostu udziału eksportu w PKB, jak i inwestycje.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".