The COVID-19 pandemic and perceived risks of immigrants in the United States
Notice bibliographique
Résumé
Purpose The COVID-19 pandemic has caused hundreds of thousands of people to suffer severe illness or die and has had severe effects on individuals’ financial well-being as well. Unfortunately, it is very likely that the pandemic has had a disproportionate effect, particularly on vulnerable and underserved groups, including immigrants in the USA. This study aims to examine the association between perceived health risk and perceived financial risk attributable to COVID-19, and focuses on their heterogeneous effects depending upon immigrant status. Design/methodology/approach The study used the Understanding America Study (UAS) COVID-19 National Survey data collected from April 2020 to July 2021. Sets of ordinary least squares (OLS) regression and fixed effects regression analyses were conducted on the perceived risk COVID-19 poses on households’ finances. The main focal variables of interest were immigrant status and perceived risk of COVID-19 infection and death. Findings The results showed that the correlation between health risk and perceived financial risk was much higher among first- and second-generation immigrants. Surprisingly, various types of government aid did not have a consistent and significant effect on the recipients’ perception of the risk that COVID-19 poses to their household finances. Originality/value This study is one of the few attempts to empirically examine the association between perceived health risk and financial risk during the COVID-19 pandemic by focusing on the heterogeneity by immigrant status. The authors used an appropriate methodology that considered the panel structure of the UAS COVID-19 National Survey’s data. The study provides important implications for researchers and policymakers related to immigrants’ financial well-being.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».