An empirical investigation of the relationship between business performance and suicide in the US
Notice bibliographique
Résumé
Previous research suggests that mortality rates behave pro-cyclically with respect to economic growth, with suicides representing a notable exception that consistently increase in economic downturns. Over recent years, there is ample evidence in the literature that the working environment in the US has deteriorated significantly, suggesting that suicide rates may not necessarily behave in a counter-cyclical manner with business performance. Utilising recent suicide data, this study empirically tests the hypothesis that adverse working conditions over recent years may have resulted in a pro-cyclical relationship between business performance and suicide. Unlike previous studies, we use a stock market index, a leading macroeconomic indicator, to measure economic conditions from a business perspective. We employ the Autoregressive Distributed Lag (ARDL) co-integration methodology to study the long-run relationship between monthly S&P500 stock market data and age and gender-specific suicide rates during the period January 1999 to July 2017. Our results highlight substantial differences in age groups responses to fluctuations in business performance. We find a clear positive association between business performance and suicide rates for the youngest males and females aged 15-34 years, indicating that there is a human cost associated with improved business performance. Additionally, we investigate the association between economic insecurity, a unique aspect of the recent deterioration in the working environment, using the Implied Volatility Index "VIX" and age and gender-specific suicide rates. Our findings do not support a population-wide adverse impact of economic insecurity on suicide incidences. The exception was males aged 15-24, and females aged 55-64 for whom we find a significant positive association. Teaching work-life management and problem-solving skills to manage everyday work stressors may be important strategies to mitigate the psychological cost of business successes.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».