Coastal Real Estate Vibes: An Analysis of the Association Between Coastal Residential Ownership and the Resident Occupant’s Risk Tolerance
Notice bibliographique
Résumé
This study examines the association between the location, relative to the coast, of an individual’s primary residence and the homeowners’ risk tolerance. Utilizing data from the 2021 National Financial Capability Study and employing a probit model, we analyzed how varying risk tolerance levels affect the likelihood of owning a home in a coastal ZIP code. The respondent’s risk tolerance was classified as high, medium, or low according to their self-reported willingness to take financial risks. Our results suggest that individuals with lower risk tolerances are less likely to own a home within a coastal ZIP code. Specifically, homeowners with medium-risk tolerance are 2.91% less likely, and those with low-risk tolerance are 3.17% less likely to own a primary residence in a coastal ZIP code when compared to those with high-risk tolerance. These results are statistically and economically similar when using a logit model. These findings are both statistically significant and align with economic theory. The analysis also included various demographic and socioeconomic factors, finding that age, income, and certain employment statuses influence coastal homeownership. This research contributes to the understanding of home ownership location choices and risk tolerance. Our results provide policymakers with insights into the risk characteristics of individuals who prefer coastal areas as their primary residences. This information can inform future policy decisions by highlighting the societal and economic implications of regulations related to residential coastal development.
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 | 0,002 | 0,000 |
| 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 ».