Modeling Behavioral and Attitudinal Drivers of Life Insurance Selection and Premiums: Polynomial Approaches to Perceived Affordability in Term and Cash Value Products
Notice bibliographique
Résumé
Background: Life insurance markets are experiencing unprecedented transformation in the wake of economic disruption, evolving consumer expectations, and behavioral shifts following the COVID-19 pandemic. Traditional economic models often fail to capture the complex interplay of attitudinal, and cognitive factors that now shape insurance demand and premium selection. Methods: This study analyzes nationally representative survey data from over 3600 U.S. adults (2024 NAIC Financial Inclusion Survey). It uses a weighted full maximum likelihood Heckman selection model to identify determinants of life insurance uptake and premiums. The main innovation is modeling psychological price, a composite of perceived affordability, with higher-order polynomials. The design integrates psychometrically validated measures of financial knowledge and risk tolerance. Political ideology, race and ethnicity, and sources of financial advice serve as exclusion restrictions in the selection equation. Results: Psychological price shows an inverse-U relation with term outcomes: uptake rises at low to moderate affordability and declines at high affordability; among purchasers, term premiums rise at low to mid affordability and decline at high levels. For cash value policies, premiums decrease as psychological price increases. Financial knowledge and risk tolerance increase term uptake; financial knowledge reduces cash premiums. Education and income increase term uptake and term premiums. Compared with respondents reporting no ideology, conservative and centrist respondents have lower term uptake and higher cash uptake; using a professional advisor is associated with higher cash uptake. The selection correlation is positive for term (ρ≈0.98) and negative for cash (ρ≈−0.38), indicating non-random selection in both markets. Implications: In order to reduce disparities, insurers should target the mid-affordability threshold with term offerings, streamline options for high-affordability consumers, offer pricing support and guidance for low-affordability households, increase uptake through advice channels and financial education, and address affordability barriers. Conclusions: Nonlinear affordability effects shape both market entry and pricing choices. Modeling psychological price with higher-order polynomials identifies thresholds and turning points that linear specifications miss. The results support targeted product design and outreach when perceived affordability drives insurance participation and premium choices.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».