MétaCan
Menu
Retour à la cohorte
Enregistrement W2753595273 · doi:10.1377/hlthaff.2016.1669

Narrow Networks On The Health Insurance Marketplaces: Prevalence, Pricing, And The Cost Of Network Breadth

2017· article· en· W2753595273 sur OpenAlexaff
Leemore Dafny, Igal Hendel, Victoria Marone, Christopher Ody

Notice bibliographique

RevueHealth Affairs · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésSubsidyHealth insuranceBusinessPlan (archaeology)Actuarial scienceHealth planPreferred provider organizationMedicaidHealth careEconomicsEconomic growth

Résumé

récupéré en direct d'OpenAlex

Anecdotal reports and systematic research highlight the prevalence of narrow-network plans on the Affordable Care Act's health insurance Marketplaces. At the same time, Marketplace premiums in the period 2014-16 were much lower than projected by the Congressional Budget Office in 2009. Using detailed data on the breadth of both hospital and physician networks, we studied the prevalence of narrow networks and quantified the association between network breadth and premiums. Controlling for many potentially confounding factors, we found that a plan with narrow physician and hospital networks was 16 percent cheaper than a plan with broad networks for both, and that narrowing the breadth of just one type of network was associated with a 6-9 percent decrease in premiums. Narrow-network plans also have a sizable impact on federal outlays, as they depress the premium of the second-lowest-price silver plan, to which subsidy amounts are linked. Holding all else constant, we estimate that federal subsidies would have been 10.8 percent higher in 2014 had Marketplaces required all plans to offer broad provider networks. Narrow networks are a promising source of potential savings for other segments of the commercial insurance market.

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)0,024
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 enseignants0,010
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,046
Tête enseignante GPT0,282
Écart entre enseignants0,236 · 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

Citations60
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth AffairsMême sujetHealthcare Policy and ManagementTravaux en français237 207