स्वास्थ्य देखभाल डेटा-विशेष रूप से खर्च डेटा-अक्सर 0 की उच्च संख्या के साथ सही तिरछा वितरण होता है। उदाहरण के लिए, 2019 में अमेरिकी स्वास्थ्य देखभाल खर्च था $11,852. हालाँकि, बहुत से लोग बीमार नहीं पड़ते और उन्हें स्वास्थ्य देखभाल पर कोई खर्च नहीं करना पड़ता। इसके अलावा, लोग आम तौर पर नकारात्मक स्वास्थ्य देखभाल खर्च नहीं करते हैं। इसके अलावा, गंभीर बीमारियों से ग्रस्त कुछ मरीज़ों को स्वास्थ्य देखभाल की ऊंची लागत चुकानी पड़ती है। स्पष्टतः यह वितरण गैर-सामान्य है।
हम ऐसे मुद्दे से कैसे निपटें?
द्वारा एक NBER श्वेत पत्र अनिर्बान बसु (2023) कुछ संभावित समाधानों की जांच करता है।
- कम से कम वर्गों. खर्च पर सहसंयोजकों के गैर-रेखीय विनिर्देशों को चलाने से बचने के लिए शोधकर्ता परिवर्तन मॉडल का उपयोग करते हैं। उदाहरण के लिए, वे व्यय डेटा को लॉग-रूपांतरित कर सकते हैं और लॉग लागत पर अपना प्रतिगमन चला सकते हैं (जो अधिक सामान्य रूप से वितरित किया जा सकता है)। हालाँकि, एलएन (खर्च) पर सामान्य न्यूनतम वर्ग प्रतिगमन का अनुमान ज्यामितीय माध्य पर सहसंयोजकों के प्रभाव को मापता है; लॉग-रूपांतरित खर्च का उपयोग करके खर्च पर सहसंयोजक के प्रभाव को मापने के लिए, किसी को जटिल प्रक्रियाओं का उपयोग करना चाहिए जैसे कि डुआन स्मीयरिंग तकनीक. हालाँकि, जब प्रतिगमन में 0 होते हैं, तो यह अधिक समस्याग्रस्त होता है क्योंकि ln(0) अनंत है। इस प्रकार, व्यक्ति लागत चर में एक मनमाना स्थिरांक जोड़ सकते हैं जो कि, मनमाना है।
- दो भाग वाले मॉडल. ये मॉडल अक्सर संभावना निर्धारित करने के लिए लॉगिट (या प्रोबिट) मॉडल का अनुमान लगाते हैं और व्यक्ति की कोई लागत नहीं होती है और फिर सकारात्मक (यानी, गैर-शून्य) खर्च करने की शर्त पर एक परिवर्तित मॉडल का अलग से अनुमान लगाते हैं।
- टोबिट मॉडल. यह मॉडल मानता है कि एक गुप्त उपयोगिता फ़ंक्शन Y* है। जब Y* है <0, then the actual value becomes 0. However, when the latent utility Y* is positive, then the actual spending is equal to latent spending Y=Y*|Y*>0.
- डबल बाधा मॉडल. अपने पेपर में बसु ने यह अंतर बताया है कि कुछ 0 का मतलब दूसरों की तुलना में अलग होता है। धूम्रपान के मामले पर विचार करें. बहुत से लोग धूम्रपान नहीं करते. जो लोग धूम्रपान करते हैं, उनके प्रतिदिन धूम्रपान करने वाले सिगरेट का स्तर अत्यधिक भिन्न होता है। इस प्रकार, एक समय अवधि (उदाहरण के लिए, सप्ताह, महीना) का निरीक्षण करने से जहां किसी व्यक्ति के पास 0 सिगरेट हैं, इसका मतलब यह हो सकता है कि वह व्यक्ति धूम्रपान करने वाला नहीं था, या धूम्रपान करने वाला था लेकिन उसने सप्ताह या महीने की छुट्टी लेने का फैसला किया। इस प्रकार, बसु भागीदारी निर्णय (धूम्रपान करें या न करें) और उपभोग निर्णय (यानी, एक निश्चित समय अवधि में कितनी सिगरेट पीना है, जिसमें 0 शामिल हो सकता है) के हिस्से के रूप में 0 को अलग-अलग मॉडल करता है। इस सेट-अप में, दोहरी बाधा इस बात पर आधारित है कि आपकी अव्यक्त उपयोगिता ऐसी होनी चाहिए कि आप धूम्रपान करने वाला बनने का निर्णय लें और यदि आप धूम्रपान करने वाले हैं – तो एक निश्चित समय अवधि में धूम्रपान से आपकी उपयोगिता लागत से अधिक है जैसे कि आप सकारात्मक संख्या में सिगरेट पीते हैं। हालाँकि, अनुभवजन्य रूप से, यदि आप मानते हैं कि “व्यक्ति हमेशा पहली बाधा के बाद धूम्रपान करते हैं।” [i.e., smoker vs. non-smoker] पारित कर दिया गया है…नतीजतन, दूसरी बाधा अप्रासंगिक है, और उपभोग निर्णय के माध्यम से कोई भी शून्य उत्पन्न नहीं होता है।]इस मामले में, कोई टोबिट या हेकमैन चयन मॉडल मॉडल का उपयोग कर सकता है क्योंकि सभी धूम्रपान करने वालों की सिगरेट की खपत सकारात्मक होती है। दूसरी ओर, यदि भागीदारी और उपभोग बाधाओं में त्रुटि शब्द होने का निर्णय स्वतंत्र है, तो एक मानक दो-भाग वाला मॉडल पर्याप्त होगा।
पेपर यह भी बताता है कि कई शून्य अवलोकनों के साथ-साथ कई अन्य अनुभवजन्य अनुप्रयोगों के साथ सीमांत प्रभावों की गणना कैसे करें। पूरा पेपर है यहाँ.
2023-09-14 05:19:15
#अरथमत #क #सथ #मन #क #सबधत #करन #हलथकयर #अरथशसतर
