Health Plan Switching and Attrition Bias in the RAND Health Insurance Experiment
Notice bibliographique
Résumé
One of the most influential “lessons” of the RAND Health Insurance Experiment (HIE) is that cost sharing can reduce hospitalizations by about a quarter, with no effect on health for the average adult. In an earlier paper in this journal, I suggested that a portion of this reduction is due to participants becoming ill and dropping out of the experiment in order to switch to their preexperiment insurance coverage and thus avoid paying the cost-sharing amount. The sixteenfold higher voluntary attrition rate in the cost-sharing arms provides compelling evidence in support of this alternative explanation. Evidence is also provided by the finding in Manning, Duan, Keeler (1993) that the predicted number of hospitalizations among those who dropped out of the coinsurance arms was significantly greater by 34.5 percent than the actual number of hospitalizations, suggesting that participants anticipate hospitalizations and leave the experiment before incurring the cost-sharing payment. Still more evidence is provided by the finding that those (cost-sharing) participants with greater incomes, instead of being more likely to be hospitalized, as greater income usually implies, were less likely to be hospitalized than poor participants. This finding is consistent with their having better preexperiment insurance coverage than poor participants and therefore being more likely to have an incentive to drop out. This inpatient attrition bias makes it dangerous to rely on this lesson of the HIE, because it is not clear that hospitalizations were actually reduced by one-quarter, much less that if such a reduction actually had occurred, there would be no health consequences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».