پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (ISI) به زبان انگلیسی از نشریه الزویر مربوط به سال ۲۰۲۲ دارای ۱۵ صفحه انگلیسی با فرمت PDF و ۳۳ صفحه ترجمه فارسی به صورت فایل WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد
کد محصول: H757
سال نشر: ۲۰۲۲
نام ناشر (پایگاه داده): الزویر
نام مجله: International Review of Economics and Finance
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۱۵ صفحه PDF
تعداد صفحه ترجمه فارسی: ۳۳ صفحه WORD
قیمت فایل ترجمه شده: ۴۸۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۲ : رشد اقتصادی و شادی در چین: آنالیز چندسطحی کوهورت-دوره-سن بیزین بر اساس داده های CGSS 2005-2015
عنوان کامل انگلیسی:
Economic growth and happiness in China: A Bayesian multilevel age-period-cohort analysis based on the CGSS data 2005–۲۰۱۵
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی
این مقاله یک مدل چند سطحی بیزین را بر اساس چارچوب سن-دوره-هم گروهی برای بررسی شادی در چین معرفی می کند. با استفاده از ۸ موج از دادههای نظرسنجی عمومی اجتماعی (CGSS) بین سال‌های ۲۰۰۵-۲۰۱۵، در چین این مدل نه تنها مشکل همخطی بودن را با پیش بین های اطلاعاتی ضعیف و مفروضات صریح حل میکند، بلکه نتایج محاسباتی پایدارتری نیز ارائه میکند. نتایج برآورد ما نشان می‌دهد که چگونه شادی در چین در چرخه زندگی یک فرد تغییر میکند و چگونه تجربه زندگی فرد همراه با رشد شناختی منجر به شادی او می شود. ما برخی از الگوهای نسل های مختلف را شناسایی کرده و تفاوت های نسل ها از نظر شادی را بر اساس سال های مختلف تولد با گزارشاتی از رویدادهای تاریخی توضیح می دهیم. این مقاله به مطالعات موجود ،هم از نظر نظری و هم از نظر روش‌شناسی کمک میکند. استراتژی مدلسازی جدید و چارچوب های تحلیلی که در مجموع به روایت‌های تاریخی کمک میکنند، تأثیرات سن، دوره و هم گروهی را بر شادی بهتر تبیین می کنند.
کلید واژه ها: مطالعه شادی،تفاوت های نسلی،چارچوب سنی-دوره-هم گروهی،رشد اقتصادی،چین
۱.مقدمه
بیشتر تحقیقات در مورد تفاوت های نسلی مردم چین مبهم هستند زیرا تقسیم بندی نسل های آنها عمدتاً تعمیم پذیر نیستند. در کشور چینی، ما با مفاهیمی مانند «نسل پس از دهه ۸۰» یا «نسل پس از دهه ۹۰» آشنا هستیم (دنگ و همکاران، ۲۰۱۰؛ وانگ، ۲۰۰۹). با این حال، تفاوت دقیق بین افرادی که در سال های ۱۹۸۰ و ۱۹۹۰ یا بین سال های ۱۹۸۹ و ۱۹۹۱ متولد شده اند چیست؟ در تلاش برای تعریف نسل ها اغلب این واقعیت که سن با نسل تفاوت دارد نادیده گرفته می شود. به عنوان مثال، یو (۲۰۰۹) و ژو (۲۰۱۲) ویژگی های “نسل پس از دهه ۸۰” را در سال ۲۰۱۰ مورد بحث قرار دادند، که نتایج حاصل مربوط به گروه های ۳۰ تا ۴۰ ساله می باشد…
۶.جمع بندی
در این مقاله ما یک مدل چندسطحی بیزی بر مبنای یک چهارچوب سن-دورهی زمانی-همگروهی طراحی میکنیم و این مدل را با موفقیت برای دادههای تحقیق پیمایشی شادمانی در چین به کار میبندیم. این رویکرد نه تنها مسالهی همخطی چندگانه را حل میکند بلکه نتایجی از نظر محاسباتی پایدار تولید میکند. کلید حل مساله همخطی چندگانه آن است که تنها سن و اثرات دورهی زمانی را مدلسازی میکنیم. بهواقع، هر گروه سنی را به عنوان یک همگروهی در نظر میگیریم تا به این هدف مدلسازی دست یابیم. افزون بر این، مدلسازی بیزی کامل با استفاده از پیشامدهای پیشین که پارامترها را تنظیم میکنند، شناسایی این مدل را تضمین میکند. این امر به نوبه خود باعث اجتناب بیشتر از ماتریسهای معکوس میشود که به دلیل تکین بودن تقریبی آنها در این وضعیت تشخیصناپذیر، از نظر محاسباتی بیثبات هستند…
Abstract
This paper introduces a Bayesian multilevel model based on the age-period-cohort framework to examine Chinese happiness. Using 8 waves of the Chinese General Social Survey (CGSS) data between 2005–۲۰۱۵, the model not only solves the co-linearity problem with weakly informative priors and explicit assumptions, it also produces more computationally stable results. Our estimation results show how Chinese happiness changes in an individual’s life circle and how one’s life experience is accumulated to her/his happiness with cognitive development. We identify some different generation patterns and explain generation differences in happiness across the various birth years with narratives of historical events. This paper contributes to existing studies both theoretically and methodologically. The novel modeling strategy and the analytical framework which assisted with historical narratives altogether explain better the age, period, and cohort effects on Chinese happiness.
Keywords: Happiness study, Generation differences, Age-period-cohort framework, Economic growth, China
۱.Introduction
Most researches on generation differences of the Chinese people are ambiguous as their divisions of generations are mostly ad-hoc. In the Chinese context, we are familiar with concepts like ‘‘post-80s generation’’ or the ‘‘post-90s generation’’ (Deng et al., 2010; Wang, 2009). However, what is the exact difference between people who were born in 1980 and 1990, or between 1989 and 1991? An effort to define generations often neglects the fact that generation is confounded with age. For example, Yu (2009) and Xu (2012) discuss the features of the ‘‘post-80s generation’’ in 2010, the results are pertaining to these groups in their thirties. The analyses were therefore restricted to the observational time frame. There are many approaches to address this limitation.
In theory, the differences of attitudes among generations merely reflect cognitive accumulation. Thus, psychologists (e.g., Hermelin, 1977) conduct a series of research on the development of memory and the function of cognitive development decades ago, using both empirical data and physical evidence like hemispheric lateralization. Due to the availability of data, they did not develop a good model to describe the accumulation of happiness…
۶.Conclusions
In this paper, we construct a Bayesian Multilevel model within the age-period-cohort framework and successfully apply the model to the Chinese happiness survey data. This approach not only solves the multi-collinearity problem but also produces computationally stable results. The key to solving the multi-collinearity problem is that we only model age and period effects. As a matter of fact, we treat each age group as a cohort to achieve this modeling goal. Additionally, the full Bayesian modeling with the use of priors that regularize the parameters ensures in the model be identified. This, in turn, further avoids the inverse of matrices which would be otherwise computationally unstable due to the near-singularity under the unidentifiable situation…