Bibliographic record
Abstract
Abstract Inequality and poverty estimation (indeed, all welfare analysis) must deal with the fact that people are heterogeneous. Equivalence scales and indifference scales are tools that may be used for this. An equivalence scale gives the relative costs faced by different people; an indifference scale gives the relative cost of living for people in different types of households. Equivalence scales and indifference scales can be estimated using off‐the‐shelf household‐level consumer expenditure data and standard econometric techniques for nonlinear equation systems. I offer a short introduction to the identification, estimation and use of equivalence scales and indifference scales and argue that these are complementary tools in the analysis of inequality and poverty. The methods are illustrated with Canadian household expenditure data from the Surveys of Household Spending 2004–2009. Estimated equivalence scales for disability are presented, along with estimated household model parameters and an analysis of consumption poverty. Résumé Analyse du niveau de bien‐être quand les gens sont différents. Les mesures d’inégalité et de pauvreté (en fait toutes les mesures et analyses du niveau de bien‐être) doivent prendre en compte le fait que les gens sont hétérogènes. Les échelles d’équivalence et les échelles d’indifférence sont des outils qu’on peut utiliser pour ce faire. Une échelle d’équivalence établit les coûts relatifs auxquels les différentes personnes doivent faire face; une échelle d’indifférence établit le coût relatif différent de gens qui font partie de différents types de ménages. Les échelles d’équivalence et les échelles d’indifférence peuvent être estimées à l’aide de données sur les dépenses de consommation des ménages pour les produits et services disponibles sur le marché, et des techniques économétriques conventionnelles pour calibrer les systèmes d’équations non‐linéaires. L’auteur présente une courte introduction aux problèmes d’identification, d’estimation, et d’usage des échelles d’équivalence et des échelles d’indifférence, et propose que ce sont des outils complémentaires dans l’analyse de l’inégalité et de la pauvreté. Les méthodes sont illustrées à l’aide de données sur les dépenses des ménages canadiens fournies par les Enquêtes sur les dépenses des ménages 2004‐2009. Les échelles d’équivalence sont estimées pour l’incapacité, ainsi que les paramètres estimés du modèle des ménages et une analyse de la pauvreté en termes de consommation.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".