Labor market entry and earnings dynamics: Bayesian inference using mixtures‐of‐experts Markov chain clustering
劳动力市场进入与收入动态：专家混合马尔可夫链聚类的贝叶斯推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确分析劳动者离散收入状态的面板时间序列；多项logit用于潜在组别分类，直接依据支持微观面板方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
劳动力市场进入与收入动态：专家混合马尔可夫链聚类的贝叶斯推断
- 研究问题
- 年轻劳动者进入劳动力市场后有哪些不同的收入状态转移模式，进入时的市场条件与其所属模式概率有何关系？
- 方法与思路
- 作者对离散收入状态面板使用一阶齐次马尔可夫链的有限混合聚类，并以多项logit建模贝叶斯分类中的潜在组别。
- 材料陈述的贡献
- 摘要称，在大型行政数据中识别出四类不同收入转移模式，并扩展马尔可夫链聚类以研究进入时市场条件与组别的关系。
- 阅读关注点
- 应核对收入状态划分、组数选择与分类不确定性，以及一阶和时间齐次假设是否适合所研究的收入动态。
- 阅读边界
- 仅依据所给Crossref摘要；市场条件的具体估计结果及因果识别未说明，潜在组别的多项logit本身不表示劳动者选择行为。
原文摘要
SUMMARY This paper analyzes patterns in the earnings development of young labor market entrants over their life cycle. We identify four distinctly different types of transition patterns between discrete earnings states in a large administrative dataset. Further, we investigate the effects of labor market conditions at the time of entry on the probability of belonging to each transition type. To estimate our statistical model we use a model‐based clustering approach. The statistical challenge in our application comes from the difficulty in extending distance‐based clustering approaches to the problem of identifying groups of similar time series in a panel of discrete‐valued time series. We use Markov chain clustering, which is an approach for clustering discrete‐valued time series obtained by observing a categorical variable with several states. This method is based on finite mixtures of first‐order time‐homogeneous Markov chain models. In order to analyze group membership we present an extension to this approach by formulating a probabilistic model for the latent group indicators within the Bayesian classification rule using a multinomial logit model. Copyright © 2011 John Wiley & Sons, Ltd.