MétaCan
Menu
Back to cohort
Record W6986141266

Offre de travail endogène et mobilité du capital dans un modèle d'équilibre général calculable birégional

2005· other· fr· W6986141266 on OpenAlexaboutno aff

Bibliographic record

VenueEspaceINRS (National Institute for Scientific Research (Canada)) · 2005
Typeother
Languagefr
FieldBiochemistry, Genetics and Molecular Biology
TopicMachine Learning in Bioinformatics
Canadian institutionsnot available
Fundersnot available
KeywordsWageContext (archaeology)Compensation of employeesFrugality
DOInot available

Abstract

fetched live from OpenAlex

Ce document présente les plus récents développements du modèle d’équilibre
\ngénéral du ministère des Finances du Québec, qui représentent en même temps
\ndes approches innovatrices dans le domaine de la modélisation. Les trois
\ninnovations présentées sont l’offre endogène de travail des ménages, la mobilité
\npartielle du capital, ainsi que l’approche des taux effectifs marginaux
\nd'imposition (TEMI) utilisée pour la modélisation de la fiscalité.
\nComme pour plusieurs modèles, l’offre de travail est endogénéisée en
\nincluant le loisir dans les fonctions d’utilité Stone-Geary des ménages. Étant
\ndonné que le modèle distingue autant de types de loisir qu’il y a de catégories
\nprofessionnelles de travail, il fallait éviter l’apparition d’élasticités-prix croisées
\nnon nulles des offres de travail. En d’autres mots, il s’agit d’éviter des
\nchangements de profession à la suite d’une variation des taux de salaire. Pour ce
\nfaire, nous avons élaboré une spécification surnommée « Coloc », selon laquelle
\nchaque ménage représentatif est décrit comme un groupe d’individus qui
\nmaximisent leur utilité indépendamment, tout en ayant les mêmes préférences
\nquant à la consommation de biens. Il en résulte un modèle où la demande de
\nconsommation de biens est la même que dans un SLD5 standard, tandis que
\nl’offre de travail de chaque catégorie d'un ménage donné est indépendante du
\ntaux de salaire des autres catégories.
\nL’utilisation des TEMI, appliquée à l’impôt sur le revenu personnel, est prise
\nen compte dans la détermination de l’offre de travail. Les taux marginaux
\nd’imposition représentent non seulement l’impôt sur le revenu personnel, mais
\naussi l’imposition implicite que constitue la réduction de certains transferts. Le
\nmodèle peut donc simuler l’effet sur l’incitation au travail de certains
\nprogrammes de transfert, comme l’aide sociale.
\nLes TEMI reflétant l’imposition des revenus du capital sont également utilisés
\npour mesurer l'écart créé par le régime d’imposition entre la rémunération que
\nreçoivent les détenteurs de capital et la valeur du produit marginal du capital.
\nL’introduction des TEMI est intéressante lorsque le capital n’est pas fixe,
\nmais, au contraire, mobile entre ses utilisations concurrentes. À long terme, la
\nplupart des MEG supposent que le capital est parfaitement mobile. Nous avons
\nplutôt choisi de le rendre partiellement mobile entre les industries et les régions
\nafin de mieux refléter la réalité à court et à moyen terme, en imposant une borne supérieure à la quantité de capital qui peut quitter une industrie donnée
\ndans une région donnée. De plus, nous avons introduit un certain degré de
\nmobilité internationale du capital, sous la forme d’une fonction à élasticité-prix
\nconstante.
\nLe comportement du modèle à la suite de ces nouveaux développements a
\nété testé par plusieurs simulations. Les résultats des simulations montrent que le
\ncomportement du modèle est conforme aux anticipations théoriques, ce qui
\nconfirme la validité des approches utilisées.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.004
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: Not applicable
GenreCandidate signal: Other · Consensus signal: Other
Teacher disagreement score0.702
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0040.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.002
Scholarly communication0.0010.000
Open science0.0020.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.020
GPT teacher head0.283
Teacher spread0.263 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2005
Admission routes1
Has abstractyes

Explore more

Same venueEspaceINRS (National Institute for Scientific Research (Canada))Same topicMachine Learning in BioinformaticsFrench-language works237,207