Health Characteristics Associated With Gaining and Losing Private and Public Health Insurance
Notice bibliographique
Résumé
BACKGROUND: Millions of Americans lack or lose health insurance annually, yet how health characteristics predict insurance acquisition and loss remains unclear. OBJECTIVE: To examine associations of health characteristics with acquisition and loss of private and public health insurance. RESEARCH DESIGN AND PARTICIPANTS: Prospective observational analysis of 2000 to 2007 Medical Expenditure Panel Survey data for persons aged 18 to 63 on entry, enrolled for 2 years. We modeled year 2 private and public insurance gain and loss. DEPENDENT VARIABLES: year 2 insurance status [none (reference), any private insurance, or public insurance] among those uninsured in year 1 (N=13,022), and retaining or losing coverage in year 2 among those privately or publicly insured in year 1 (N=47,239). INDEPENDENT VARIABLES: age, sex, race/ethnicity, education, income, region, urbanity, health status, health conditions, year 1 health expenditures, year 1 and 2 employment status, and (in secondary analyses) skepticism toward medical care and insurance. RESULTS: In adjusted analyses, lower income and education were associated with not gaining and with losing private insurance. Poorer health status was associated with public insurance gain. Smoking and being overweight were associated with not gaining private insurance, and smoking with losing private coverage. Secondary analyses adjusting for medical skepticism yielded similar findings. CONCLUSIONS: Social disadvantage and poorer health status are associated with gaining public insurance, whereas social advantage, not smoking, and not being overweight are associated with gaining private insurance, even when adjusting for attitudes toward medical care. Private insurers seem to benefit from relatively low health risk selection.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».