Fast Facts: A Tale of Three Retirement Lifestyles
Notice bibliographique
Résumé
Spending in retirement is an increasingly important area of focus of the retirement industry, plan sponsors, and policymakers as more individuals enter retirement. Indeed, in the third quarter of 2020, about 28.6 million Baby Boomers - those born between 1946 and 1964 - reported that they were out of the labor force due to retirement. Yet not enough is understood about how retirees spend their money and, just as importantly, why they spend the way they do.In its Issue Brief, "Why Do People Spend the Way They Do in Retirement? Findings From EBRI's Spending in Retirement Survey," the Employee Benefit Research Institute (EBRI) reported the spending habits and situation of 2,000 individuals ages 62 to 75 at and during retirement. Three types of retirees in particular stood out: (1) highly indebted retirees who described their debt as unmanageable or even crushing; (2) long-term secure retirees, or those retirees who reported they had long-term care insurance; and (3) full-nester retirees, or those reporting that they had at least one child at home with them. These three groups are highly distinct from one another and paint a portrait of starkly different retirement lifestyles depending on these circumstances.EBRI was able to fund development of this research thanks to a generous grant from RRF Foundation for Aging.Click "Download" to read the summary of EBRI's research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,022 |
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 source (Gemma direct ou Codex distillé), 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 ».