Data and Code for: Hurricane Maria and La Crisis Boricua on Healthcare Supply in Puerto Rico
Notice bibliographique
Résumé
Due to the financial crisis facing Puerto Rico, many medical professionals on the island have left. Former Governor Rossello passed Act 14 in April of 2017 hoping to stave off the exodus of physicians. Act 14 reduces the income tax charge on medical services from 30 percent to 4 percent for 15 years. During the same year Puerto Rico experience a devastating category 4 hurricane, which left the island without power or water for several months. We will use a difference in difference estimation to estimate the effects of this change in the marginal tax rate to both keep physicians on the island as well as attract new physicians to the island from the mainland US. We use data from the Quarterly Census of Employment and Wages, the May Occupational Employment Statistics counts, and the AAMC Report on Residents. We find the number of healthcare providers decreased by 6.5 percent. The number of family physicians and pediatricians fell by 17.5 percent and 62 percent respectively. However, the number of registered nurses increased by 2.7 percent. Although the levels of healthcare providers decreases, the rate of healthcare provides per capita actually increased during this time period since the population decreases more rapidly than the fall in the level of healthcare providers.<br><br>The zip file includes a STATA do file, readme file, and the following data files.<br>AAMC Report of Resident xls file contains counts of residents by state and year<br>May Occupational Employment Statistics Counts 2000-2019<br>Quarterly Census of Employment and Wages establishment counts of physician offices by county by quarter from 2000 to 2019<br><br><br>
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».