MétaCan
Menu
Retour à la cohorte
Enregistrement W2993286962 · doi:10.15353/rea.v12i1.1697

The Effects of Employer-Sponsored Health Insurance Premiums on Employment and Wages: Evidence from US Longitudinal Data.

2020· article· en· W2993286962 sur OpenAlexvenueno aff
Nicola Ciccarelli

Notice bibliographique

RevueReview of Economic Analysis · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHealth insurancePaymentPanel dataDemographic economicsBusinessLabour economicsEconomicsActuarial scienceHealth careFinanceEconometricsEconomic growth

Résumé

récupéré en direct d'OpenAlex

We analyze the effect of employer-sponsored health insurance premiums on employment and annual wages in the US using a county-level panel dataset for the period 2005-2010. Using variation in medical malpractice payments and variation in medical malpractice legislation over time and within states as the source of identifying variation in the health insurance premiums, we estimate the causal effects of rising health insurance premiums on employment and annual wages. We find that a 10% increase in premiums reduces employment by 1.1 percentage points, and leads to a statistically insignificant reduction of annual wages. Since US counties are characterized by a varying degree of private health insurance coverage, we also test whether the private health insurance coverage is a moderating variable for the relationship between the health insurance premiums and the labor market outcomes analyzed in this study. We find that rising premiums negatively affect the labor market conditions faced by US workers, especially in areas that are characterized by high private health insurance coverage.

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)0,001
Version: codex-gemma-dda1882f352aStatut 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: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,257
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,121
Tête enseignante GPT0,342
Écart entre enseignants0,221 · 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.

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

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

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Economic AnalysisMême sujetHealthcare Policy and ManagementTravaux en français237 207