L’assurance vie : un atout pour lutter contre la pauvreté monétaire des travailleurs dans la CEMAC
Bibliographic record
Abstract
L’objectif de cette étude est de déterminer l’effet de l’assurance vie sur la pauvreté monétaire des travailleurs dans la Communauté Économique et Monétaire de l’Afrique Centrale (CEMAC). Pour ce faire, les données issues de la Banque mondiale (2019), du Programme des Nations Unies (PNUD, 2018) et de Global Financial Development Database (2019) ont justifié une période d’étude qui va de 2007 à 2017. L’estimation du modèle retenu dans ces travaux s’est faite, par les moindres carrés à variables indicatrices ensuite corrigés des problèmes d’hétéroscédasticité et d’autocorrélation des termes d’erreurs par le panel corrected standard error (PCSE) et les moindres carrés réalisables (FGLS), puis par la méthode des moments généralisés (GMM) et les doubles moindres carrés (IV). À la suite de quoi il ressort premièrement que l’assurance vie permet de réduire significativement le pourcentage de travailleurs pauvres dans la CEMAC. Et dans un second temps, il ressort que l’éducation est un levier important pour combattre la précarité des travailleurs de cette sous-région. Enfin, les résultats montrent qu’un salaire élevé, la stabilité politique et une hausse du taux de croissance du produit intérieur brut (PIB) par tête réduisent aussi le pourcentage de travailleurs pauvres dans la CEMAC.
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".