覆盖范围:未拓展医疗补助的国家没有得到保险的穷人

技术附录B:移民状态估算

为了赋予文档状态,我们通过国家健康访问数据辅助中心(Shadac)和Van Hook等的建议借鉴2013分析的方法。 al ..1,2 这种方法使用收入和计划参与调查(SIPP)来制定一个模型,预测样本中每个人的移民身份;然后,它将模型应用于第二个数据源,控制到总无证人群的状态级估计,以及PEW研究中心的劳动力中的无证人口。3 下面我们描述了我们如何开发回归模型并将其应用于美国社区调查(ACS)。我们还描述了如何将模型应用于其他数据集。使用统计计算包R V.4.0.3编写的编程代码可根据要求提供有兴趣复制这种方法的人们自身分析。

数据源

我们使用了2008年收入和计划参与调查(SIPP)面板数据的第二波来构建回归模型。 SIPP Wave两个数据集包含有关人员级别的迁移历史的问题。

回归模型旨在应用于其他数据集,以便在不询问迁移状态的调查中施加法律移民身份。上述代码包括编程,以将模型应用于SIPP核心文件,AC或当前人口调查(CPS)。由于SIPP核心文件包含来自ACS和CPS的不同调查问题和可变规范,因此我们创建了唯一的回归模型,以将模型应用于每个数据集。为了分析此简短和其他KFF对ACA覆盖的资格的估计,我们将回归模型应用于2013年的ACS,然后将回归模型应用于2013年的ACS,然后将其次的ACS每年应用于2013年。

由于SIPP的法律移民身份宣布,在核对移民身份,我们控制于州内无证人口总数的国家和国家一级估计,以及PEW研究中心的劳动力的无证人口。 PEW报告了所有国家和哥伦比亚地区的这些估计。4

回归模型的构建

我们使用SIPP Wave Wipe创建一个二项式,依赖变量,该变量将被访者识别为潜在的未经授权移民。根据以下因素构建因变量:

  1. 被访者不是美国(美国)公民,
  2. 受访者在美国入境后没有永久居民身份,
  3. 受访者的移民身份并未改为自美国进入以来的永久居民,以及
  4. 受访者没有其他指标意味着法律地位。5

我们使用以下独立变量预测未经授权的移民状态:

  1. 美国年份,
  2. 工作行业分类,
  3. 居住国,
  4. 家庭贫困水平,
  5. 居住的所有权或租赁,
  6. 在家庭中至少存在一个公民,
  7. 家庭中的占用者数量(< or >= six occupants),
  8. 所有家庭居住者是否相关,
  9. 家庭的工人数量,
  10. 健康保险范围状态,
  11. 性别,和
  12. 种族。

回归模型被群体填补,以删除不能被视为未经授权的受访者。不能被视为未经授权的人包括1)人出生在美国,2)是美国公民,或3)有其他指标意味着法律地位。

在其他数据集中抵御未经授权的移民

我们使用PEW估计作为估算产生的未经授权移民总数的目标。我们首先将此策略应用于2013年ACS,在ACA之前包含健康保险信息’S覆盖范围扩张。我们通过哥伦比亚和地区和参与劳动力来分析目标。我们在这些102层中的每一个中都赋予移民身份。6

要生成欠职入境状态变量,我们首先计算了基于SIPP回归模型未经授权数据集中的每个人的概率。接下来,我们将数据集隔离为上述每个单独的层。在每个阶层内,我们使用对每个人未授权的概率进行采样。抽样后,我们总结了人权重,直到达到每个层的PEW人口估计。在PEW人口估计内落下的记录被认为是未经授权的移民。我们使用未经授权的概率重复采样的过程,并随后将人权重汇总到达PEW目标五次,每个记录创建五个不同的未经授权的变量。然后将这五种算术授权状态变量纳入标准多重估算算法,与国家卫生面试调查中的疾病控制和预防中心使用的算源分析技术紧密匹配。7

我们在ACS 2013上使用了第一次传递,以通知我们的采样目标,了解最新的可用Microdata(ACS 2019)。从ACS 2013上看我们无证估算的结果,我们计算了在ACA之前每一个缺乏健康保险的无证移民的份额’S覆盖范围扩展并将该信息转移到ACS 2019中的采样阶层的新维度。我们将102个采样地层分成了在ACA前ACS 2013上使用的每一个用于未保险的与保险类别,导致了204年的采样阶层。然后,我们将我们的归因于2019年的ACS 2019,新分层的阶层,基于我们在KAISER Family Foundation对低收入人口调查中看到的未保险的率下降的未记录的未保险率小幅下降和aca。8

要将回归模型轻松应用于其他数据集,我们创建了一种将这种方法应用于所选择的数据集的函数。该功能首先加载所选数据集,然后标准化数据以与SIPP回归模型匹配的数据,最后应用多个归纳以生成用于法律移民身份的变量。

技术附录A:家庭建筑 技术附录C:雇主赞助保险提供的归属