A study of the causes and consequences of regional income inequality in Canada: A spatial panel data approach
Bibliographic record
Abstract
De 1981 à 2011, le Canada, comme plusieurs pays membres de l'OCDE, a connu une augmentation marquée des inégalités de revenu. À partir des données de l'échantillon 20% du recensement long et de l'Enquête nationale auprès des ménages, cette thèse a pour but d'observer les changements dans la structure et la nature des inégalités de revenu au niveau des régions Canadiennes. L'analyse des inégalités régionales suggère la présence grandissante de pochettes (« clusters ») d'inégalité (avec des valeurs élevées et basses) selon une division est-ouest, mais aussi selon le spectrum urbain-rural, et ce particulièrement à l'intérieur des grandes régions métropolitaines et leurs environs. En fait, au cours des trente années de la période d'étude, j'observe que l'accroissement des inégalités au Canada est principalement lié à la montée des inégalités dans les grandes régions métropolitaines. Les niveaux d'inégalités à l'intérieur des moyennes et petites régions urbaines sont aussi grandissants, alors que les niveaux d'inégalités en milieux ruraux sont demeurés stable au cours de la période d'étude. Avec comme objectif de mieux comprendre les causes des variations dans les niveaux d'inégalités du revenu à travers les régions Canadiennes, j'ai développé et estimé une série de modèles de régression panel spatiale d'erreur. Les résultats suggèrent, entre autres, que les différences au niveau de la précarité du secteur d'emploi, la faiblesse du secteur manufacturier et les inégalités grandissantes dans les niveaux d'éducation favorisent l'accroissement des niveaux d'inégalités du revenu. Il existe cependant, d'importantes différences dans les causes des variations de l'inégalité à travers les régions urbaines et rurales. Finalement, je me suis questionnés à savoir quels effets peuvent avoir des niveaux d'inégalités élevés sur la croissance économique des régions à court, moyen et long terme. En utilisant une approche standard qui s'appuie sur des modèles transversaux, il est possible de conclure que les régions qui possédaient des niveaux d'inégalités plus élevé au départ sont aussi les régions qui connaissent la plus grande croissance économique dans les trente années qui ont suivies. Par contre, cette relation ne s'est pas validée pour le court et moyen terme, alors que les modèles à effets fixes révèlent une relation négative entre inégalité et croissance économique. Une de fois de plus, ces résultats varient selon la division urbaine et rurale.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.008 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".