MétaCan
Menu
← Back to cohort
Record W3125402705

Determinants of Physicians' Decisions to Specialize

2003· preprint· en· W3125402705 on OpenAlexafffundabout
Robert M. Gagné, Pierre Thomas Léger

Bibliographic record

VenueRePEc: Research Papers in Economics · 2003
Typepreprint
Languageen
FieldEconomics, Econometrics and Finance
TopicHealthcare Policy and Management
Canadian institutionsHEC Montréal
FundersSocial Sciences and Humanities Research Council of CanadaHEC Montréal
KeywordsSpecialtyPolitical scienceWelfare economicsHumanitiesEconomicsMedicineFamily medicinePhilosophy
DOInot available

Abstract

fetched live from OpenAlex

Dans cette étude, nous analysons les décisions de spécialisation des médecins à l'aide de données portant sur la presque totalité des médecins canadiens en exercice au Canada entre 1989 et 1998. Contrairement à la plupart des études existantes, nous utilisons une mesure du revenu potentiel des médecins, selon qu'ils soient généralistes ou spécialistes, qui est véritablement exogène afin d'estimer l'effet du revenu sur les choix de spécialisation. De plus, notre procédure d'estimation nous permet de tenir compte des effets non pécuniers liés à certaines spécialités médicales (prestige, recherche scientifique, etc.) qui pourraient être corrélés avec les salaires. Nos résultats montrent que les médecins réagissent de manière significative au revenu potentiel au moment de choisir une spécialité médicale. En particulier, nos simulations révèlent que les provinces seraient en mesure d'accroître la proportion de diplômés en médecine choisissant une spécialité chirurgicale si elles augmentaient les tarifs pour les actes chirurgicaux.Malgré une croissance importante des budgets consacrés au système de santé, on entend toujours parler de listes d'attentes et de pénuries de médecins, qu'ils soient en pratique généraliste ou spécialiste. Par conséquent, mieux comprendre les déterminants des choix de spécialité des médecins est nécessaire si nous voulons, par l'entremise de politiques publiques, influencer ces choix. Certes les choix de spécialité pour les médecins sont des comportements qui peuvent être expliqués par plusieurs facteurs tels qu'institutionnels, individuels et également par la différence de revenu potentiel entre les spécialités. Cette question a fait l'objet de plusieurs études. On peut citer, à titre d'exemple, les travaux de Sloan (1970), Hadley (1975, 1977, 1979), Hay (1980, 1981), Hurley (1991) et Nicholson (2003). En revanche, les résultats de ces travaux sont probablement biaisés en raison de l'utilisation de revenu moyen pour la spécialité comme revenu potentiel pour le médecin lors de son choix de spécialité. Autrement dit, ces travaux considèrent que les médecins sont identiques en termes d'effort, de productivité et du nombre d'heures travaillées. Dans la présente étude, nous cherchons à expliquer le choix de spécialité pour les médecins. Pour ce faire, nous avons considéré des données relatives à la majorité des médecins, et cela pour la période 1989-1998. Comme la rémunération dans le système canadien se fait à l'acte et puisque cette dernière ne varie pas entre les médecins de la même spécialité-province-année, elle représente la mesure idéale du revenu potentiel de la spécialité. Il est à noter que pour certaines spécialités, des avantages en nature peuvent être attribués. De ce fait, le recours au revenu potentiel comme seul déterminant de la spécialisation peut générer des résultats biaisés. Pour palier à ce problème, nous avons développé un modèle à deux-étapes qui nous permet d'inclure et de contrôler des caractéristiques observables et non observables spécifiques au marché des médecins. La principale conclusion que nous tirons de cette analyse est que les médecins tiennent compte de la différence de revenu potentiel lorsqu'ils décident de se spécialiser. Les provinces pourraient donc, par exemple, augmenter le paiement des chirurgiens pour promouvoir cette spécialité.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.017
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.295
Threshold uncertainty score0.586

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.017
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0010.000
Open science0.0000.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0050.000

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.

Opus teacher head0.115
GPT teacher head0.377
Teacher spread0.261 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2003
Admission routes3
Has abstractyes

Explore more

Same venueRePEc: Research Papers in Economics→Same topicHealthcare Policy and Management→French-language works237,207→