Estimation du rendement de la maîtrise en économique à l'Université Laval
Bibliographic record
Abstract
Le but de ce mémoire est d’établir le profil de rémunération des diplômés de maîtrise en économique de l’université Laval et de calculer les rendements associés à l’obtention de ce diplôme. La méthodologie utilisée est identique à celle adoptée par Vaillancourt et Ebrahimi (2010) et Stark (2007). Elle combine l’analyse coût-bénéfice de Becker (1960) et l’analyse par l’estimation du modèle économétrique de Mincer (1974). Nous avons ainsi calculé le rendement de la maîtrise par rapport au baccalauréat en économique d’abord pour l’individu et ensuite pour la société. Le calcul a été fait d’abord de façon générale puis suivant le sexe et le secteur d’activité des diplômés. La base de données que nous utilisons provient de l’enquête réalisée en 2014 par le service de placement de l’université Laval(SPLA) en collaboration avec le département d’économique auprès des diplômés. Nos résultats montrent que le principal employeur des diplômés du département est le secteur public incluant la fonction publique fédérale, la fonction publique provinciale, la fonction publique municipale et l’enseignement. La majorité des diplômés sont de sexe masculin. Le revenu des hommes reste plus élevé que celui des femmes et le revenu des travailleurs du secteur privé plus élevé que celui des travailleurs du public. Par ailleurs, les résultats suggèrent que l’investissement permettant le passage du baccalauréat à la maîtrise est rentable à la fois pour l’individu et pour la société. En effet, le rendement privé moyen est de 5:3% et le rendement social moyen est de 3:7%. Le rendement privé des hommes est de 5:3% et celui des femmes est de 5:4%. Le rendement privé des travailleurs du secteur privé est de 5:3% et celui des travailleurs du secteur public est de 5:4%. Les résultats correspondants, au niveau du rendement social, sont de 3:8%, 3:5%, 3:8% et 3:6% respectivement pour les hommes, les femmes, les travailleurs du privé et les travailleurs du public. On remarque ainsi que le rendement social est généralement inférieur au rendement privé, le rendement privé des femmes supérieur à celui des hommes et le rendement privé dans le secteur public est plus grand qu’au privé. Mais les différences observées à la fois entre les sexes et entre le type d’employeur sont de faible magnitude. Les conclusions qualitatives que nous tirons vont dans le même sens que celles de Vaillancourt et Ebrahimi (2010) et Stark (2007) même si les chiffres sont sensiblement différents.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".