Effet de l'éducation sur la fécondité au Canada
Bibliographic record
Abstract
Ce mémoire analyse l’effet de l’éducation sur la fécondité au Canada de 1990 à 2019. Pour ce faire, nous avons utilisé la modélisation vectorielle à correction d’erreur (VECM) afin de mettre en évidence les effets à court et à long terme entre nos variables à travers des tests de racine unitaire (stationnarité), de cointégration de Johansen, ainsi que le test de causalité au sens de Granger. Nous avons inclus dans notre étude non seulement les variables éducatives, mais aussi les variables économiques et démographiques. Les résultats montrent que bien que les femmes plus instruites aient tendance à avoir un taux de fécondité plus bas, les tests de causalité ne révèlent pas de lien direct entre l’éducation et la fécondité au Canada. Cela signifie que l’éducation n’est pas nécessairement la cause principale de la baisse de la fécondité, mais elle peut être corrélée à d’autres facteurs influents. Par ailleurs, l’analyse des fonctions de réponse impulsionnelle révèle que les variables économiques et démographiques, telles que le PIB réel et la migration nette (MN), ont un impact positif sur le taux de fécondité. En revanche, les variables éducatives et la participation des femmes à la population active tendent à faire baisser la fécondité. Ce résultat peut s’expliquer par le fait que les femmes plus instruites, et souvent plus engagées dans leur carrière, tendent à avoir moins d’enfants, bien que l’éducation en elle-même ne soit pas la cause directe de cette baisse. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : VECM, lien causal, fécondité, éducation, les fonctions de réponse impulsionnelle, modélisation.
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 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".