Econometric analysis of the long-run relationship between preventive care spending and mortality: evidence from OECD countries, 1970–2019
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While the share of health spending from public sources dedicated to preventive care has increased, the extent to which this preventive care spending can reduce mortality is still uncertain, mainly since effects may occur only in the long run. This paper takes advantage of a recent econometric method to empirically examine the long-run relationship between mortality and public preventive care spending in 37 OECD countries from 1970 to 2019. We construct an unbalanced longitudinal dataset on all-cause mortality and public preventive spending from publicly available OECD datasets. We detect cointegration and cross-sectional dependence in our data. This leads us to use the dynamic common correlated effects (DCCE) panel error correction model from Chudik and Pesaran (2015) to address these issues and account for heterogeneity across OECD countries. Our results indicate a long-run preventive care spending elasticity of $$-$$ 0.10 in the OECD, and Granger non-causality tests suggest this may be a causal effect of spending on mortality. We also find that the long-run preventive care spending elasticity is of +0.04 for life expectancy at age 65. To better understand mechanisms, we explore the subcategories of preventive care spending and find that early disease detection programs and immunization programs drive the mortality reduction. To compare with other government health expenditures, we run our models using inpatient and outpatient healthcare expenditures as predictors and find the long-run association with mortality is less consistent. Overall, our findings indicate that higher preventive care spending may help reduce mortality in the long run in OECD countries, but this relationship is likely small.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle