MétaCan
Menu
Retour à la cohorte
Enregistrement W2342168697 · doi:10.1002/hec.3342

The Long-Term Effects of Cancer on Employment and Earnings

2016· article· en· W2342168697 sur OpenAlexaffabout
Sung‐Hee Jeon

Notice bibliographique

RevueHealth Economics · 2016
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensStatistics Canada
Organismes subventionnairesPennsylvania State University
Mots-clésMicrodata (statistics)EarningsCensusDemographyHistoryMedicineGerontologySociologyEconomicsAccountingPopulation

Résumé

récupéré en direct d'OpenAlex

The study examines long-term effects of cancer on the work status and annual earnings of cancer survivors who had a strong attachment to the labor market prior to their cancer diagnosis. We use linkage data combining Canadian 1991 Census microdata with administrative records from the Canadian Cancer Registry, the Vital Statistics Registry and longitudinal personal income tax records. We estimate changes in the magnitude of cancer effects during the first 3 years following the year of the diagnosis using a large sample of cancer survivors diagnosed at ages 25 to 61. The comparison group consists of similar workers never diagnosed with cancer. The empirical strategy combines coarsened exact matching and regression models to deal with observed and unobserved differences between the cancer and comparison groups. The results show moderate negative cancer effects on work status and annual earnings. Over the 3-year period following the year of the diagnosis, the probability of working is 5 percentage points lower for cancer survivors than for the comparison group, and their earnings are 10% lower. Our findings also suggest that the effects of cancer on labor market outcomes differ for high and low survival rate cancer categories. Copyright © 2016 John Wiley & Sons, Ltd.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,160
Score d'incertitude au seuil0,319

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,421
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations68
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth EconomicsMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207