MétaCan
Menu
Retour à la cohorte
Enregistrement W4206493527 · doi:10.21203/rs.3.rs-1229969/v1

Testing the Effectiveness of a Future Selves Intervention for Increasing Retirement Saving: Evidence from a Field Experiment in Mexico

2022· preprint· en· W4206493527 sur OpenAlexaff
Avni Shah, Hal E. Hershfield, David Munguia Gomez, Alissa Fishbane

Notice bibliographique

RevueResearch Square · 2022
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionStatus quoIntervention (counseling)Test (biology)Control (management)Sample (material)PsychologyObstaclePlan (archaeology)Field (mathematics)Social psychologyApplied psychologyEconomicsPolitical scienceManagement

Résumé

récupéré en direct d'OpenAlex

<title>Abstract</title> One psychological barrier impeding saving behavior is the inability to fully empathize with one’s future self. Future self interventions have improved savings by helping people overcome this obstacle. Despite the promise of such interventions, previous research has focused predominantly on hypothetical contexts and western settings where the target sample has been predominantly undergraduate. Do interventions that encourage people to more concretely consider their future selves during retirement still have a positive effect on behavior in consequential, real-world savings decisions? Using a field experiment in Mexico (<italic>N</italic> = 7,603), where less than 1% make a voluntary savings contribution annually, we developed a low-cost, easy-to-implement intervention to test whether concrete thinking about one’s future life improves recurring retirement savings signups relative to a status quo, control group. We find that future self decision aids significantly improved the likelihood of signing up for an automatic recurring savings plan by nearly four times compared to the control.

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)0,013
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
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 enseignants0,032
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
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 Opus0,096
Tête enseignante GPT0,388
Écart entre enseignants0,293 · 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.

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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207