MétaCan
Menu
Retour à la cohorte
Enregistrement W3146249514 · doi:10.1002/hec.4259

The effects of sudden health reductions on labor market outcomes: Evidence from incidence of stroke

2021· article· en· W3146249514 sur OpenAlexaff
Atsuko Tanaka

Notice bibliographique

RevueHealth Economics · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRetirement, Disability, and Employment
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésStroke (engine)EarningsMedicineIncidence (geometry)DemographyFixed effects modelDiseaseGerontologyDemographic economicsEconomicsPanel data

Résumé

récupéré en direct d'OpenAlex

While increasing attention is given to how health reductions affect workers, estimating their effects is usually challenging. This paper aims to identify the causal effect of health deterioration on labor market outcomes by exploiting the incidence of stroke. Stroke, which often reduces health suddenly and unexpectedly, allows us to exploit the within-person random variation of the timing and isolate the effects of health reduction. By applying the fixed-effects method to a sample of stroke survivors in the University of Michigan Health and Retirement Study data, I find that stroke immediately halves the employment probability as well as hours and weeks worked 1 year after the occurrence and its effects persist for at least 3 years, while earnings reduction is relatively moderate and gradual. I also find the negative effects of stroke are larger among men with severe stroke and women with longer pre-stroke job tenure, while the effects are mitigated for younger women. These results make a stark contrast with the studies on other health events such as cancer diagnosis, which generally find much smaller effects and significant heterogeneity by education and occupation. This analysis shows that the labor market effects largely differ by types of diseases and calls for disease-specific studies in order to understand the social gradient in health and how workers adjust to work limitations.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,979

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,161
Tête enseignante GPT0,444
Écart entre enseignants0,283 · 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
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

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth EconomicsMême sujetRetirement, Disability, and EmploymentTravaux en français237 207