Determinants of Children's Participation in California's Medicaid and SCHIP Programs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To develop a comprehensive predictive model of eligible children's enrollment in California's Medicaid (Medi-Cal [MC]) and State Children's Health Insurance Program (SCHIP; Healthy Families [HF]) programs. DATA SOURCES/STUDY SETTING: 2001 California Health Interview Survey data, data on outstationed eligibility workers (OEWs), and administrative data from state agencies and local health insurance expansion programs for fiscal year 2000-2001. STUDY DESIGN: The study examined the effects of multiple family-level factors and contextual county-level factors on children's enrollment in Medicaid and SCHIP. DATA COLLECTION/EXTRACTION METHODS: Simple logistical regression analyses were conducted with sampling weights. Hierarchical logistic regressions were run to control for clustering. PRINCIPAL FINDINGS: Participation in MC and HF programs is determined by a combination of family-level predisposing, perceived need, and enabling/disabling factors, and county-level enabling/disabling factors. The strongest predictors of MC enrollment were family-level immigration status, ethnicity, and income, and the presence of a county-level "expansion program"; and the county-level ratio of OEWs to eligible children. Important HF enrollment predictors included family-level ethnicity, age, number of hours a parent worked, and urban residence; and county-level population size and outreach and media expenditure. CONCLUSIONS: MC and HF outreach/enrollment efforts should target poorer and immigrant families (especially Latinos), older children, and children living in larger and urban counties. To reach uninsured eligible children, it is important to further simplify the application process and fund selected outreach efforts. Local health insurance expansion programs increase children's enrollment in MC.
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.
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 | 0,003 | 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 découle