MétaCan
Menu
← Retour à la cohorte
Enregistrement W3124225161 · doi:10.20944/preprints202011.0394.v1

Unpaid Caregiving and Labour Force Participation among Chinese Middle-aged Adults

2020· preprint· en· W3124225161 sur OpenAlexaff
Huamin Chai, Rui Fu, Peter C. Coyte

Notice bibliographique

RevuePreprints.org · 2020
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesNational Social Science Fund of ChinaNational Institutes of HealthEast China Normal University
Mots-clésEndogeneityDemographic economicsEconomicsInstrumental variableProbit modelPsychological interventionMultivariate probit modelPsychologyLabour economicsEconometricsPsychiatry

Résumé

récupéré en direct d'OpenAlex

Unpaid family caregivers must consider the economic trade-off between caregiving and paid employment. Prior literature has suggested labour force participation (LFP) to decline with caregiving intensity, but no study has evaluated this relationship by accounting for the presence of both kinks and discontinuities. Here we used respondents of the China Health and Retirement Longitudinal Study baseline survey who were non-farming, of working-age (aged 45-60) and had a young grandchild and/or a parent/parent-in-law. For women and men separately, a caregiving threshold-adjusted probit model was used to assess the association between LFP and weekly unpaid caregiving hours. Instrumental variables were used to rule out the endogeneity of caregiving hours. Of the 3,718 respondents in the analysis, for men, LFP was significantly and inversely associated with caregiving that involved neither discontinuities nor kinks. For women, a kink was identified at the caregiving threshold of 8 hours per week such that before 8 hours, each caregiving hour was associated with an increase of 0.0257 in the marginal probability of LFP, but each hour thereafter was associated with a reduction of 0.0014 in the marginal probability of LFP. These results have implications for interventions that simultaneously advance policies of health, social care and labour force.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,167

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,127
Tête enseignante GPT0,390
Écart entre enseignants0,263 · 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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.org→Même sujetHealth disparities and outcomes→Travaux en français237 207→