MétaCan
Menu
Retour à la cohorte
Enregistrement W3126016656 · doi:10.1257/aer.20151362

Do Larger Health Insurance Subsidies Benefit Patients or Producers? Evidence from Medicare Advantage

2018· article· en· W3126016656 sur OpenAlexfundno aff
Marika Cabral, Michael Geruso, Neale Mahoney

Notice bibliographique

RevueAmerican Economic Review · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentUniversity of California, Santa BarbaraUniversity of PennsylvaniaPennsylvania State UniversityUniversity of California, Santa CruzHEC MontréalYale University
Mots-clésSubsidyEconomicsPaymentHealth insuranceLegislatureGovernment (linguistics)Medicare AdvantageMarket powerMonetary economicsMonopolyHealth careFinanceMicroeconomicsMarket economy

Résumé

récupéré en direct d'OpenAlex

A central question in the debate over privatized Medicare is whether increased government payments to private Medicare Advantage (MA) plans generate lower premiums for consumers or higher profits for producers. Using difference‑in‑differences variation brought about by a sharp legislative change, we find that MA insurers pass through 45 percent of increased payments in lower premiums and an additional 9 percent in more generous benefits. We show that advantageous selection into MA cannot explain this incomplete pass‑through. Instead, our evidence suggests that market power is important, with premium pass‑through rates of 13 percent in the least competitive markets and 74 percent in the most competitive.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,783
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0020,004

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 Opus0,070
Tête enseignante GPT0,340
Écart entre enseignants0,270 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations118
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Economic ReviewMême sujetHealthcare Policy and ManagementTravaux en français237 207