MétaCan
Menu
Retour à la cohorte
Enregistrement W4238860990 · doi:10.1002/9780470015902.a0005206.pub2

Insurance and Human Genetics: Insurance Market Perspective

2014· other· en· W4238860990 sur OpenAlexaff
Michael Hoy

Notice bibliographique

RevueEncyclopedia of Life Sciences · 2014
Typeother
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésAuto insurance risk selectionActuarial scienceAdverse selectionGroup insuranceKey person insuranceInsurance policyRisk poolBusinessCasualty insuranceGeneral insuranceOrder (exchange)EconomicsIncome protection insuranceFinance

Résumé

récupéré en direct d'OpenAlex

Abstract Suppose individuals have information from genetic tests concerning their mortality or morbidity risk and insurers are not allowed access to it. Higher risks will view insurance as a ‘better deal’ than will lower risks when the price is the same for all and so higher risk consumers will be inclined to purchase more insurance than those with lower risk. The result will be upward pressure on the average market price for insurance. Insurers will react by either raising price or tailoring insurance policies to separate the two types of consumers. In this article, the implications on consumer well‐being in such an economic environment are described and compared to the outcome where insurers are allowed to use the results of genetic tests to price insurance accordingly. Key Concepts: If insurance companies do not have access to genetic test results of their potential customers, then this creates a situation of asymmetric information and a problem of adverse selection. Since ‘bad risks’ will desire more insurance than ‘good risks’ if the price is the same for all, then insurers would end up selling more insurance to the bad risks and so the overall price of insurance may rise as a result. Adverse selection may also result in screening strategies whereby insurers offer higher coverage at a higher unit price in order to attract high risk types with lower risk types enduing up with less insurance coverage. Allowing insurers access to genetic test results leads to greater efficiency of the insurance market but may also create a potential genetic underclass; that is, people who face very high prices for insurance or no insurance at all. Economic models of insurance markets allow one to understand the tradeoffs between effective (efficient) operation of insurance markets and equity concerns.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0030,004
Science ouverte0,0010,001
Intégrité de la recherche0,0040,002
Charge utile insuffisante (le modèle a refusé de juger)0,0120,000

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 Opus0,030
Tête enseignante GPT0,279
Écart entre enseignants0,249 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEncyclopedia of Life SciencesMême sujetHealthcare Policy and ManagementTravaux en français237 207