EconomicTermDevelopments/neurowage-economics

--- language: - en license: mit task_categories: - tabular-classification tags: - economics - neurowage - computational-economics - neuroeconomics - emerging-terminology pretty_name: Neurowage Economics Dataset size_categories: - n<1K --- # Neurowage Economics Dataset ## Dataset Description ### Summary Synthetic 200-row dataset for `Neurowage` measurement and computational experiments. ### Supported Tasks - Economic analysis - Neuroeconomics research - Computational economics ### Languages - English (metadata and documentation) - Python (code examples) ## Dataset Structure ### Data Fields - `id`: Unique observation id - `cohort`: Synthetic worker cohort - `cognitive_performance_gap`: Gap in measured cognitive performance relevant to tasks - `stress_burden`: Chronic economic and psychological stress burden - `health_constraint`: Health-related constraints affecting cognitive function - `learning_access_gap`: Gap in access to learning and cognitive development resources - `task_complexity_match`: Match quality between worker capacity and task complexity - `wage_progression_dispersion`: Dispersion in wage progression outcomes - `supportive_investment`: Supportive investments in health, learning, and stability - `neurowage_index`: Composite term index ### Data Splits - Full dataset: 200 examples ## Dataset Creation ### Source Data Synthetic data generated for demonstrating Neurowage applications. ### Data Generation Channels are sampled from controlled distributions with correlated structure. The term index is computed from normalized channels and directional weights. ## Considerations ### Social Impact Research-only synthetic data for method development and reproducibility testing. ## Additional Information ### Licensing MIT License - free for academic and commercial use. ### Citation @dataset{neurowage2026, title={{Neurowage Economics Dataset}}, author={{Economic Research Collective}}, year={{2026}} }语言： - 英语 许可证：MIT协议 任务类别： - 表格分类（tabular-classification） 标签： - 经济学 - 神经工资（Neurowage） - 计算经济学（computational economics） - 神经经济学（neuroeconomics） - 新兴术语 展示名称：神经工资（Neurowage）经济学数据集 样本规模类别： - n<1K # 神经工资（Neurowage）经济学数据集 ## 数据集说明 ### 概况 合成的200行数据集，用于神经工资（Neurowage）测量与计算实验。 ### 支持任务 - 经济分析 - 神经经济学（neuroeconomics）研究 - 计算经济学（computational economics） ### 语言版本 - 元数据与文档采用英语 - 代码示例采用Python语言 ## 数据集结构 ### 数据字段 - `id`：唯一观测标识符 - `cohort`：合成工人队列 - `cognitive_performance_gap`：与任务相关的实测认知表现差距 - `stress_burden`：长期经济与心理压力负担 - `health_constraint`：影响认知功能的健康相关限制因素 - `learning_access_gap`：学习与认知发展资源的获取差距 - `task_complexity_match`：工人能力与任务复杂度的匹配质量 - `wage_progression_dispersion`：工资增长结果的离散程度 - `supportive_investment`：健康、学习与稳定性领域的支持性投入 - `neurowage_index`：神经工资复合指数 ### 数据划分 完整数据集共200条样本。 ## 数据集构建 ### 源数据说明 为演示神经工资（Neurowage）应用而生成的合成数据。 ### 数据生成方式 各特征通道从带有相关结构的受控分布中采样，神经工资复合指数由归一化后的特征通道与方向权重计算得出。 ## 注意事项 ### 社会影响说明 本数据集为仅用于方法开发与可复现性测试的研究级合成数据。 ## 附加信息 ### 许可证说明 采用MIT许可证，可免费用于学术与商业用途。 ### 引用格式 @dataset{neurowage2026, title={{Neurowage Economics Dataset}}, author={{Economic Research Collective}}, year={{2026}} }

搜集汇总

数据集介绍

构建方式

在神经经济学与计算经济学的交叉领域，Neurowage Economics Dataset 的构建体现了对合成数据生成方法的严谨设计。该数据集通过从具有相关结构的受控分布中采样多个通道来生成数据，这些通道涵盖了认知绩效差距、压力负担、健康约束等关键变量。随后，基于归一化后的通道值与预设的方向性权重，计算得出综合性的神经工资指数。这一生成过程旨在模拟现实经济环境中各因素间的复杂关联，为方法开发与可复现性测试提供了高质量的基础数据。

特点

Neurowage Economics Dataset 作为一项专注于神经工资测量的合成数据集，其特点在于高度结构化的多变量设计。数据集包含200条观测记录，涵盖了从认知绩效到工资进展离散度等多个维度的经济与心理指标，各变量间通过预设的相关性相互关联。这种设计不仅支持对神经经济学中新兴术语的量化探索，还为计算经济实验提供了可控且可复现的数据环境。其紧凑的规模与清晰的字段定义，使得该数据集特别适合于算法验证与初步假设检验。

使用方法

该数据集主要应用于经济分析、神经经济学研究及计算经济学等任务领域。使用者可通过加载数据集，利用其结构化的表格数据进行分类、回归或相关性分析，以探究认知因素与经济产出间的复杂关系。数据集以标准表格格式提供，支持常见的Python数据分析库进行直接处理。鉴于其合成性质与明确的研究用途，建议将其用于方法论开发、模型测试以及学术研究中的可复现性验证，避免直接推断现实经济现象。

背景与挑战

背景概述

Neurowage Economics Dataset 由 Economic Research Collective 于 2026 年创建，旨在为神经经济学与计算经济学领域提供一种合成数据资源。该数据集聚焦于探索神经认知因素与经济行为之间的交互机制，特别是通过量化认知表现差距、压力负担、健康约束等多维变量，构建一个名为“神经工资指数”的复合指标。这一创新尝试旨在弥合传统经济学模型与神经科学实证研究之间的鸿沟，为理解劳动力市场中的认知差异及其对工资分配的影响提供了新的分析框架。数据集的推出不仅促进了跨学科方法的发展，也为政策模拟与计算实验提供了可复现的基础平台。

当前挑战

在领域层面，该数据集致力于应对神经经济学中一个核心挑战：如何将个体认知功能的异质性与宏观经济结果如工资分散性进行有效关联。传统经济模型往往忽略认知健康的动态变化，而神经科学数据又难以直接整合进经济计量分析，这导致理论预测与实证观测之间存在显著脱节。在构建过程中，合成数据的生成需模拟真实世界变量间的复杂相关结构，同时确保各通道如认知表现差距、学习资源获取等具有合理的分布特性与内在一致性，这对数据生成算法的稳健性与解释力提出了较高要求。

常用场景

经典使用场景

在神经经济学与计算经济学的交叉领域，Neurowage Economics Dataset 为研究者提供了一个合成数据平台，用于探索认知绩效、经济压力与工资动态之间的复杂关联。该数据集通过模拟工人队列的多维特征，如认知表现差距、压力负担及健康约束等，典型应用于构建和验证神经工资指数的计量模型，从而量化个体认知能力与经济产出之间的映射关系，为理论假设提供实证检验基础。

衍生相关工作

基于该数据集衍生的经典工作主要集中在计算经济学的模型拓展领域，例如开发神经工资指数的动态预测框架，或构建融合认知约束的工资决定理论。相关研究进一步探索了支持性投资对长期工资离散化的调节作用，促进了神经经济学与机器学习方法的结合，为劳动力市场的不平等分析提供了新的量化工具与理论视角。

数据集最近研究

最新研究方向

在神经经济学与计算经济学交叉领域，Neurowage Economics Dataset作为合成数据集，正推动前沿研究聚焦于认知绩效与工资动态的量化建模。该数据集通过整合认知表现差距、压力负担及健康约束等多维变量，为探索神经机制与经济行为间的复杂关联提供了仿真平台。当前热点研究致力于利用机器学习方法解析任务复杂度匹配与工资进展离散度之间的非线性关系，旨在揭示支持性投资对神经工资指数的调节效应。这类工作不仅促进了计算模型在劳动力市场分析中的可解释性应用，也为政策模拟和干预策略评估提供了方法论基础，体现了数据驱动下经济学研究向神经科学纵深拓展的趋势。