Casinos as an Economic Development Strategy in the Prairie Provinces of Canada
Bibliographic record
Abstract
À partir de données provenant de plusieurs périodes de recensement, nous étudions les effets de l’établissement de casinos sur l’emploi dans les provinces canadiennes des Prairies. En employant un modèle d’estimation standard bidirectionnel à effets fixes, nous trouvons un nombre restreint de données qui montrent que les subdivisions de recensement (SDR) ayant ouvert des casinos ont connu une hausse de l’emploi. Cependant, compte tenu de recherches récentes qui remettent en question la robustesse des résultats obtenus par ce modèle dans des contextes semblables au nôtre, nous appliquons un module d’évaluation des doubles différences à plusieurs périodes (« CSDID ») et constatons que les effets estimés sur l’emploi s’en trouvent très réduits. En outre, une hypothèse clé, selon laquelle l’emploi dans les SDR avec et sans casino évoluait de manière semblable avant l’établissement des casinos, est écartée. Cette hypothèse de tendances parallèles est nécessaire pour inférer une relation causale entre l’établissement de casinos et les changements dans l’emploi. Une question centrale qui émerge alors est celle de la période quinquennale de recensement: cette période est-elle suffisante pour déterminer si les SDR avec et sans casino présentent la même dynamique dans une étude d’évènements ? Nous constatons également qu’il est difficile de déterminer les avantages des casinos des Premières Nations pour les membres des Premières Nations, puisque les réserves urbaines ne constituent pas des SDR distinctes.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| 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".