Assurance-maladie : comment adapter les taux de remboursement aux dépenses individuelles de santé?
Bibliographic record
Abstract
Nous considérons un modèle d’assurance-maladie dans lequel les agents ne se différencient que par la gravité de la maladie qui les atteint. L’État cherche à maximiser l’espérance d’utilité des assurés et décide en conséquence de rembourser une fraction des dépenses de santé. En l’absence d’aléa moral ex post, suivant lequel la décision individuelle de dépenses de santé est affectée par leur taux de remboursement, celui-ci pourrait être de 100 %. Cependant, avec aléa moral, la gratuité des soins n’est plus de mise. Après une brève présentation du cas d’un taux de remboursement uniforme, nous envisageons d’abord une structure de remboursement à deux taux, le premier s’appliquant en dessous d’un certain seuil de dépenses et le second au-delà du seuil. Nous voulons connaître la valeur relative de ces deux taux de remboursement, ainsi que le montant du seuil. Ensuite nous montrons les caractéristiques d’un remboursement non linéaire, qui nous rapproche un peu plus de la solution de premier rang. Des exemples numériques illustrent les développements analytiques et montrent comment le partage des risques entre bien-portants et malades et la perte d’efficacité due à l’aléa moral varient selon le schéma de remboursement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.019 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".