Nouvelle analyse des tendances recentes de l'inegalite du revenu apres impot au Canada au moyen des donnees de recensement
Bibliographic record
Abstract
Nous presentons de nouveaux resultats concernant les niveaux et les tendances de l'inegalite du revenu apres impot au Canada au cours de la periode allant de 1980 a 2000. Nous soutenons que les sources de donnees existantes ne revelent pas necessairement les variations dans les queues de la distribution du revenu alors qu'une grande part des changements que subit cette distribution s'y produisent. Nos donnees sont tirees des fichiers du recensement et completees par des estimations de l'impot paye calculees d'apres les renseignements disponibles dans les bases de donnees fiscales administratives. Nous validons notre methode de prevision de l'impot paye par les individus repris dans les fichiers de recensement, puis nous comparons les niveaux et les tendances de l'inegalite du revenu apres impot determines d'apres notre nouvelle source de donnees et d'apres les donnees d'enquete generalement utilisees. Nous constatons que l'inegalite du revenu apres impot est considerablement plus importante si l'on se fonde sur les nouvelles donnees, principalement parce que les niveaux de revenu a l'extremite inferieure de la distribution sont plus faibles qu'avec les donnees d'enquete habituelles. Les nouvelles donnees revelent un accroissement plus important de l'inegalite du revenu apres impot a long terme et une variabilite nettement plus forte au cours du cycle economique. Ces resultats soulevent des questions interessantes quant au role du regime d'impot et de transferts dans l'attenuation des tendances et des fluctuations de l'inegalite du revenu du marche.
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 | 0.011 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.021 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".