MétaCan
Menu
← Retour à la cohorte
Enregistrement W3125402705

Determinants of Physicians' Decisions to Specialize

2003· preprint· en· W3125402705 sur OpenAlexafffundabout
Robert M. Gagné, Pierre Thomas Léger

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2003
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensHEC Montréal
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaHEC Montréal
Mots-clésSpecialtyPolitical scienceWelfare economicsHumanitiesEconomicsMedicineFamily medicinePhilosophy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Dans cette étude, nous analysons les décisions de spécialisation des médecins à l'aide de données portant sur la presque totalité des médecins canadiens en exercice au Canada entre 1989 et 1998. Contrairement à la plupart des études existantes, nous utilisons une mesure du revenu potentiel des médecins, selon qu'ils soient généralistes ou spécialistes, qui est véritablement exogène afin d'estimer l'effet du revenu sur les choix de spécialisation. De plus, notre procédure d'estimation nous permet de tenir compte des effets non pécuniers liés à certaines spécialités médicales (prestige, recherche scientifique, etc.) qui pourraient être corrélés avec les salaires. Nos résultats montrent que les médecins réagissent de manière significative au revenu potentiel au moment de choisir une spécialité médicale. En particulier, nos simulations révèlent que les provinces seraient en mesure d'accroître la proportion de diplômés en médecine choisissant une spécialité chirurgicale si elles augmentaient les tarifs pour les actes chirurgicaux.Malgré une croissance importante des budgets consacrés au système de santé, on entend toujours parler de listes d'attentes et de pénuries de médecins, qu'ils soient en pratique généraliste ou spécialiste. Par conséquent, mieux comprendre les déterminants des choix de spécialité des médecins est nécessaire si nous voulons, par l'entremise de politiques publiques, influencer ces choix. Certes les choix de spécialité pour les médecins sont des comportements qui peuvent être expliqués par plusieurs facteurs tels qu'institutionnels, individuels et également par la différence de revenu potentiel entre les spécialités. Cette question a fait l'objet de plusieurs études. On peut citer, à titre d'exemple, les travaux de Sloan (1970), Hadley (1975, 1977, 1979), Hay (1980, 1981), Hurley (1991) et Nicholson (2003). En revanche, les résultats de ces travaux sont probablement biaisés en raison de l'utilisation de revenu moyen pour la spécialité comme revenu potentiel pour le médecin lors de son choix de spécialité. Autrement dit, ces travaux considèrent que les médecins sont identiques en termes d'effort, de productivité et du nombre d'heures travaillées. Dans la présente étude, nous cherchons à expliquer le choix de spécialité pour les médecins. Pour ce faire, nous avons considéré des données relatives à la majorité des médecins, et cela pour la période 1989-1998. Comme la rémunération dans le système canadien se fait à l'acte et puisque cette dernière ne varie pas entre les médecins de la même spécialité-province-année, elle représente la mesure idéale du revenu potentiel de la spécialité. Il est à noter que pour certaines spécialités, des avantages en nature peuvent être attribués. De ce fait, le recours au revenu potentiel comme seul déterminant de la spécialisation peut générer des résultats biaisés. Pour palier à ce problème, nous avons développé un modèle à deux-étapes qui nous permet d'inclure et de contrôler des caractéristiques observables et non observables spécifiques au marché des médecins. La principale conclusion que nous tirons de cette analyse est que les médecins tiennent compte de la différence de revenu potentiel lorsqu'ils décident de se spécialiser. Les provinces pourraient donc, par exemple, augmenter le paiement des chirurgiens pour promouvoir cette spécialité.

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)0,002
score de la tête « metaresearch » (Gemma)0,017
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 enseignants0,295
Score d'incertitude au seuil0,586

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,115
Tête enseignante GPT0,377
Écart entre enseignants0,261 · 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

Citations0
Publié2003
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in Economics→Même sujetHealthcare Policy and Management→Travaux en français237 207→