Added Worker Effects in Canada: The Effect of Spousal Job Loss on Transitions into Employment
Bibliographic record
Abstract
Nous examinons les effets de travailleurs supplémentaires au Canada à l'aide de l'Enquête sur la population active. À la marge extensive, nous notons que les femmes qui n'ont pas d'emploi sont plus susceptibles de se trouver un emploi au cours du mois suivant la perte d'emploi de leur conjoint.e. La perte d'emploi du/de la conjoint.e n'a pas d'effet sur la transition des femmes vers l'emploi au cours des prochains mois et on ne note pas d'effet significatif pour les hommes. Les effets ne semblent pas représenter une réponse comportementale à la mise à pied imprévue ou exogène du/de la conjoint.e. Plutôt, les femmes qui sont les plus susceptibles d'obtenir et de quitter un emploi ont un.e conjoint.e qui est plus susceptible de faire l'objet d'un licenciement prévu par la famille, et elles sont prêtes à réagir. L'effet de travailleur supplémentaire est plus prononcé lorsqu'il s'agit de femmes plus éduquées, de propriétaires de maison et lorsque le salaire du/de la conjoint.e est plus élevé. À la marge intensive, nous ne notons pas de changement significatif dans les heures travaillées par les personnes ayant un emploi, lorsque leur conjoint.e a été licencié.e.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".