MétaCan
Menu
Retour à la cohorte
Enregistrement W2763049311 · doi:10.1002/hec.3572

What factors affect physicians' labour supply: Comparing structural discrete choice and reduced‐form approaches

2017· article· en· W2763049311 sur OpenAlexaff
Guyonne Kalb, Daniel Kuehnle, Anthony Scott, Terence Chai Cheng, Sung‐Hee Jeon

Notice bibliographique

RevueHealth Economics · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensStatistics Canada
Organismes subventionnairesNational Health and Medical Research CouncilMonash UniversityMedical Research CouncilMichigan Department of Health and Human Services
Mots-clésWageEarningsEconomicsMargin (machine learning)EconometricsAffect (linguistics)Discrete choiceLabour supplyDemographic economicsLabour economicsCompensation (psychology)PopulationMedicineComputer scienceAccountingPsychology

Résumé

récupéré en direct d'OpenAlex

Little is known about the response of physicians to changes in compensation: Do increases in compensation increase or decrease labour supply? In this paper, we estimate wage elasticities for physicians. We apply both a structural discrete choice approach and a reduced-form approach to examine how these different approaches affect wage elasticities at the intensive margin. Using uniquely rich data collected from a large sample of general practitioners (GPs) and specialists in Australia, we estimate 3 alternative utility specifications (quadratic, translog, and box-cox utility functions) in the structural approach, as well as a reduced-form specification, separately for men and women. Australian data is particularly suited for this analysis due to a lack of regulation of physicians' fees leading to variation in earnings. All models predict small negative wage elasticities for male and female GPs and specialists passing several sensitivity checks. For this high-income and long-working-hours population, the translog and box-cox utility functions outperform the quadratic utility function. Simulating the effects of 5% and 10% wage increases at the intensive margin slightly reduces the full-time equivalent supply of male GPs, and to a lesser extent of male specialists and female GPs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,600
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,158
Tête enseignante GPT0,324
Écart entre enseignants0,165 · 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 tête enseignante, pas un consensus.

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

Citations19
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth EconomicsMême sujetHealthcare Policy and ManagementTravaux en français237 207