The effects of state policy design features on take‐up and crowd‐out rates for the state children's health insurance program
Notice bibliographique
Résumé
We evaluate the effects of state policy design features on SCHIP take-up rates and on the degree to which SCHIP benefits crowd out private benefits. The results indicate overall program take-up rates of approximately 10 percent. However, there is considerable heterogeneity across states, suggesting a potential role of inter-state variation in policy design. We find that several design mechanisms have significant and substantial positive effects on take-up. For example, eliminating asset tests, offering continuous coverage, simplifying the application and renewal processes, and extending benefits to parents all have sizable and positive effects on take-up rates. Mandatory waiting periods, on the other hand, consistently reduce take-up rates. In all, inter-state differences in outreach and anti-crowd-out efforts explain roughly one-quarter of the cross-state variation in take-up rates. Concerning the crowding out of private health insurance benefits, we find that between one-quarter and one-third of the increase in public health insurance coverage for SCHIP-eligible children is offset by a decline in private health coverage. We find little evidence that the policy-induced variation in take-up is associated with a significant degree of crowd out, and no evidence that the negative effect on private coverage caused by state policy choices is any greater than the overall crowding-out effect. This suggests that states are not augmenting take-up rates by enrolling children that are relatively more likely to have private health insurance benefits.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».