The Effects of Express Lane Eligibility on Medicaid and <scp>CHIP</scp> Enrollment among Children
Notice bibliographique
Résumé
OBJECTIVE: To estimate the impact of Express Lane Eligible (ELE) implementation on Medicaid/CHIP enrollment in eight states. DATA SOURCES/STUDY SETTING: 2007 to 2011 data from the Statistical Enrollment Data System (SEDS) on Medicaid/CHIP enrollment. STUDY DESIGN: We estimate difference-in-difference equations, with quarter and state fixed effects. The key independent variable is an indicator for whether the state had ELE in place in the given quarter, allowing the experience of statistically matched non-ELE states to serve as a formal counterfactual against which to assess the changes in the eight ELE states. The model also controls for time-varying economic and policy factors within each state. DATA COLLECTION/EXTRACTION METHODS: We obtained SEDS enrollment data from CMS. PRINCIPAL FINDINGS: Across model specifications, the ELE effects on Medicaid enrollment among children were consistently positive, ranging between 4.0 and 7.3 percent, with most estimates statistically significant at the 5 percent level. We also find that ELE increased combined Medicaid/CHIP enrollment. CONCLUSIONS: Our results imply that ELE has been an effective way for states to increase enrollment and retention among children eligible for Medicaid/CHIP. These results also imply that ELE-like policies could improve take-up of subsidized coverage under the ACA.
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 | 0,007 | 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 ».