Valuing Mortality Risk Reductions in Canada: An Updated Meta-Analysis and Policy Guidance
Bibliographic record
Abstract
La valeur de la réduction du risque de mortalité (VRRM) constitue un élément clé de l’analyse économique des politiques publiques. La réduction du risque de mortalité représente souvent la majeure partie des avantages totaux dans les analyses des politiques de santé, de sécurité et d’environnement. Par conséquent, il est essentiel de disposer de mesures précises et actualisées de la VRRM. Nous avons réalisé une méta-analyse afin de mettre à jour l’estimation de la VRRM du Canada sur la base de 158 estimations extraites de 18 études primaires publiées entre 1989 et 2018. Nous utilisons la méthode des moindres carrés pondérés, les erreurs groupées et les procédures de régression des données de panel pour traiter différentes questions empiriques dans notre méta-analyse. Notre analyse, qui s’appuie sur des études privilégiées incluant des échantillons représentatifs, aboutit à une estimation moyenne pondérée de la VRRM de 13 millions de dollars en 2020, alors que les valeurs inférieures et supérieures de deux méthodes d’évaluation alternatives vont d’environ 10 millions de dollars à 16,5 millions de dollars. La moyenne actualisée de la VRRM est de 43% plus élevée que l’estimation actuelle de la VRRM recommandée par le Secrétariat du Conseil du Trésor du Canada. L’analyse de méta-régression montre également que les niveaux de risque de base et de réduction du risque figurent parmi les principaux déterminants des estimations de la VRRM. Nous recommandons l’application d’une estimation actualisée de la VRRM dans les évaluations de politiques, étant donné que l’utilisation de la mesure actuelle peut mener à des calculs d’avantages et de coûts trompeurs, ainsi qu’à des recommandations de politiques potentiellement inexactes.
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 | 0.038 | 0.086 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.009 | 0.024 |
| Bibliometrics | 0.010 | 0.013 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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.
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".