The Impact of Informal Caregiving Intensity on Labour Market Outcomes
Notice bibliographique
Résumé
Most OECD countries have introduced policies shifting health care into community settings. These policies rely on informal caregivers to provide care to disabled or ill family and friends. At the same time, there are policies in place promoting labour market retention. To better understand how caregiving and labour policies may interact to affect the available pool of caregivers and labour force participants, we need more evidence about how informal caregiving is related to labour market outcomes. We explore this issue through three empirical studies, with a focus on caregivers who provide significant amounts of weekly care (i.e. intensive caregivers).The first study uses the Canadian cross-sectional General Social Survey to determine whether providing informal care is associated with various labour market states. We find that intense caregiving is associated with being fully retired for men and women. High intensity caregivers are also more likely to be retired before age 65. In the second study, we use the American National Longitudinal Survey of Mature Women and control for time-invariant heterogeneity and time-varying sources of bias amongst retirement-aged women. We find that women who provide at least 20 hours of informal care per week are 3 percentage points more likely to retire relative to other women, which supports the idea that intensive caregiving may cause women to retire. Finally, given changes in the policy, demographic, and cultural contexts, we use the American National Longitudinal Surveys of Young and Mature Women to explore whether labour market penalties have changed over time. Following two cohorts of pre-retirement aged women, we find that intensive informal caregiving is negatively associated with labour force participation for both pre-Baby Boomers and Baby Boomers. The caregiving effects are not significantly different across cohorts, implying that, despite the introduction of offsetting policies, labour market penalties for caregivers have persisted.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».