Detailed knowledge of individual income dynamics is crucial for investigating the existence of the American dream: Are we able to improve our income status during our working life? This key question simply boils down to observing individual status and how it moves between two thresholds: the current income and the desired income. Yet, our knowledge of these temporal properties of income remains limited since we rely on estimates coming from transition matrices which simplify income dynamics by aggregating the individual changes into quantiles and thus overlooking significant microscopic variations. Here, we bridge this gap by employing First Passage Time concepts in a baseline stochastic process with resetting used for modeling income dynamics and developing a framework that is able to crucially disaggregate the temporal properties of income to the level of an individual worker. We find analytically and illustrate numerically that our framework is orthogonal to the transition matrix approach and leads to improved and more granular estimates. Moreover, to facilitate empirical applications of the framework, we introduce a publicly available statistical methodology, and showcase the application using the USA income dynamics data. These results help to improve our understanding on the temporal properties of income in real economies and provide a set of tools for designing policy interventions.


翻译:关于个人收入动态的详细知识对于调查美国梦的存在至关重要:我们是否能够在工作生涯中改善我们的收入状况?这个关键问题只是简单地归结为观察个人状况和如何在两个门槛之间移动:当前收入和预期收入。然而,我们对这些时间收入属性的了解仍然有限,因为我们依赖来自过渡矩阵的估计,这些过渡矩阵通过将个人变化综合成四分位而简化了收入动态,从而忽略了显著的微观差异。在这里,我们通过在基线随机进程中采用第一个过关时间概念来弥补这一差距,在基线随机进程中重新确定用于模拟收入动态,并制定一个框架,能够将收入的时间属性关键地分列到个体工人的水平。我们从数字上发现和说明,我们的框架与转型矩阵方法不相符合,导致改进和增加粗略的估计。此外,为了便利框架的经验应用,我们引入了公开的统计方法,并展示了使用美国收入动态数据的应用。这些结果有助于我们更好地了解实际经济中收入的时间属性,并为设计政策干预提供一套工具。

0
下载
关闭预览

相关内容

通过学习、实践或探索所获得的认识、判断或技能。
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年2月24日
Arxiv
0+阅读 · 2023年2月23日
Arxiv
14+阅读 · 2020年12月17日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员