Bibliographic record
Abstract
[pt] Em 2003, o Congresso Nacional aprovou uma lei regulamentando o crédito consignado, o que causou um grande impacto no crédito a pessoas físicas. No capítulo 1, forneço evidências que o crédito consignado teve um efeito pequeno, mas não desprezível, nas escolhas ocupacionais. Em particular, eu encontro evidências que o crédito consignado está associado positivamente com escolhas ocupacionais com características de empreendedorismo. Esse efeito é mais forte em indivíduos que estão numa faixa etária onde dificilmente será um aposentado e residem em famílias com aposentados e pensionistas, o que sugere a existência de mecanismos de transferência intra-familiares. No Capítulo 2, eu apresento evidências de que o crédito consignado tem um efeito pequeno, mas não desprezível, nos indicadores de saúde dos idosos. Em particular, o crédito consignado está: 1) negativamente associado com as taxas de mortalidade nas faixas etárias de 60 a 69 anos e 70 a 79 anos. 2) negativamente associado com indices de dificuldades físicas. Esse efeito é maior em famílias com menor renda. 3) positivamente associado com um número de consultas médicas por ano. Usando uma abordagem diff-diff, encontro evidência de que um possível mecanismo é um aumento de gastos com saúde nas famílias com maior proporção de ganhos oriundos de aposentadorias nas suas rendas.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.027 | 0.007 |
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".