MétaCan
Menu
Retour à la cohorte
Enregistrement W2972372300 · doi:10.1093/restud/rdac081

Save, Spend, or Give? A Model of Housing, Family Insurance, and Savings in Old Age

2022· article· en· W2972372300 sur OpenAlexaff
Daniel Barczyk, Sean Fahle, Matthias Kredler

Notice bibliographique

RevueThe Review of Economic Studies · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésAsset (computer security)NoveltyEconomicsLabour economicsHealth and Retirement StudyDemographic economicsBusinessMedicinePsychologyGerontology

Résumé

récupéré en direct d'OpenAlex

Abstract How do housing and family shape the savings, spending, and inter-generational transfer behaviour of the elderly? Using the Health and Retirement Study, we document that inter-generational transfers to children are substantially backloaded, that homeowners dis-save much more slowly than renters but often sell their houses when entering a nursing home, and that care by children slows down nursing home entry and is linked to larger bequests, particularly of housing. To rationalise these facts, we develop a dynamic, non-cooperative model of the family with an indivisible housing asset and joint bargaining between elderly parents and their children over the housing and care arrangements of the parents. The model generates realistic savings and care choices and matches the timing of transfers and home liquidations. A key novelty is the housing-as-commitment channel: In the absence of long-run family contracts, housing provides a commitment device for more efficient savings. We find that this channel increases homeownership in old age by one-third and families’ willingness to pay for houses by 5–10%. This mechanism also facilitates informal care, slows down spending, and leads to larger bequests, implications that we support empirically.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,069
Tête enseignante GPT0,292
Écart entre enseignants0,223 · 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'étudeThéorique ou conceptuel
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

Citations33
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Review of Economic StudiesMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207