مدل سازی مفهومی

انجام پایان نامه

۴٫۲٫۲ مدلهای دو قسمتی

گام بعدی در مدل سازی تقاضا برای مراقبت های بهداشتی توسعه مدل های مفهومی (نظری) جدید بود که به ویژگی های داده های بهره گیری خدمات درمانی کمک می کرد که توسط تک مدل های توزیعی رگرسیون ، که در بالا توضیح داده شد، به خوبی توضیح داده نشد. همانطور که اشاره شد، داده های بهره گیری از مراقبت های بهداشتی معمولا شامل تعداد مازاد کاربران صفر، یا نتایج بیشتر صفر می باشد که می تواند توسط یک توزیع دو جمله ای منفی یا پواسون توضیح داده شود. مدل دو قسمتی (TPM) به عنوان یک نظریه مفهومی جایگزین برای توصیف مکانیسم تصمیم گیری که باعث برانگیختن افراد برای جستجوی خدمات مراقبت های بهداشتی می شود، ارائه شد.انجام پایان نامه 

این نسل جدید مدل افراد غیر مصرف کننده را با مد نظر قرار دادن تقاضا برای مراقبت های بهداشتی در یک چارچوب  نماینده ی(عامل) اصلی توضیح می دهد(Zweifel، ۱۹۸۱). این مدل متفاوت از تئوری گروسمن می باشد که در آن اکنون هر دو بیمار و پزشک به عنوان شرکت کنندگان در فرایند تصمیم گیری مشترک تصور می شوند. در اینجا (عامل)، پزشک است، که تکرار یک درمان را پس از اینکه بیمار اولین تماس را آغاز می کند،  تعیین می کند. (Mullahy، ۱۹۸۶ Pohlmeier و اولریش، ۱۹۹۵) یک مدل آماری بکار برده شده برای  داده های شمارشی مناسب در چارچوب مفهومی TPM مدل ممانعتی است. در مدل ممانعتی، دو مرحله از فرایند تصمیم گیری با دو فرایند تصادفی مختلف برابر فرض می شوند. هدف این است که به طور سیستماتیک مقادیر داده های مختلف بالا و پایین یک مانع معین جدا شود.

انجام پایان نامه

مدل های داده های شمارشی که به طور گسترده مورد استفاده قرار می گیرند، با تقسیم کردن جمعیت به کاربر (مصرف کننده) و غیر کاربر (غیر مصرف کننده)،مانع را در صفر تنظیم می کنند. مانع در صفر تصمیم برای تماس گرفتن با پزشک در شروع حمله بیماری را نشان می دهد. هنگامی که با پزشک تماس گرفته شده، فرایندی متفاوت – که در درجه اول توسط پزشک هدایت می شود – مراجعه های بعدی را تعیین می کند. یکی از محدودیت های مدل های ممانعتی این است که آنها در طول دوره مشاهده حداکثر یک حمله بیماری را فرض می کنند. به این معنا که بیماری که یک کاربر (مصرف کننده) است، فرض می شود که تنها یک بار در طول مطالعه  خدمات بهداشتی می طلبند. محدودیت دوم این است که یک مدل ریاضی ، بدون به وجود آوردن این احتمال که ممکن است بین کاربران ناهمگونی وجود داشته باشد، برای توصیف تمام کاربران به کار می رود.

اخیرا ارتباط چارچوب تصمیم نماینده ی(عامل) اصلی تحت بررسی دقیق قرار گرفته است. باوجود  بهبود در رویکرد مدل سازی یک مرحله ای، به نظر نمی رسد تقسیم دو تایی  بیماران به  کاربران (مصرف کننده)  در مقابل غیر کاربران (غیر مصرف کننده)به اندازه کافی داده های بهره گیری مشاهده شده را توصیف کند. اگر چه در تئوری مصرف کننده یا چارچوب نماینده ی(عامل) اصلی قابل تفسیر نیست، توزیع احتمال که بعدا در نظر گرفته می شود انعطاف پذیری بیشتری فراهم می کند.

۴٫۲٫۳ مدل های پر صفر

راه کارها در TPM که به منظور کمک برای اصلاح تعداد مازاد افرادی که از خدمات بهداشتی و درمانی استفاده نمی کنند، استفاده شده است، مدل های توزیع پواسون پر صفر (ZIP) و دو جمله ای منفی پرصفر (ZINB) هستند. در این مدل ها، به جای تقسیم کاربران تنها به (مصرف کننده)  در مقابل غیر کاربران (غیر مصرف کننده)، و عمل کردن یکسان همه در هر دسته ، انواع مختلف غیر کاربران مجاز است. فرض می شود توزیع احتمال یک توزیع مخلوط بر روی صفرها ممکن می سازد، که در آن ممکن است یک کاربر صفر مشاهده شود چرا که او یک غیر کاربر است، یا به صورت ساده تر به این دلیل که فرد در طول دوره مطالعه از خدمات بهداشتی و درمانی استفاده نمی کند. تفسیر نماینده ی(عامل) اصلی برای این مدل ها منعقد نمی شود (اجرا نمی شود)، بنابراین می توان در نظر گرفت که انها به جای اینکه به لحاظ اقتصادی برانگیخته شوند، از نظر  آماری برانگیخته می شوند. هنگامی که آن درصدد استفاده از مدل ها بر می آید تا پیش بینی کند یا تصمیمات سیاستی را هدایت کند، با این حال، داشتن یک تابع توزیع احتمال که با داده ها به خوبی مطابقت می کند، مهم است.

استفاده از مدل های پر صفر و توانایی آنها برای حساب کردن (در نظر گرفتن) دو نوع صفر در داده ها، در مطالعه ای با هدف برآورد عوامل موثر بر تقاضای سالمندان برای مراقبت خانگی  در هلند نشان داده شد (van Campen و van Gameren ، ۲۰۰۵). متغیر وابسته تعداد شیفت مراقبت خانگی هفته ای بود، و در زمان مطالعه، تقاضا برای لیست انتظار مهم سهمیه بندی شد. بنابراین، دو نوع از غیر کاربران وجود داشت، غیر کاربرانی که تقاضا نکرده بودند، و غیر کاربرانی که تقاضا کرده بودند اما با لیست انتظار سهمیه بندی شدند. اصل مدل سازی پر صفر به جدا کردن این دو اثر کمک کرد. ما فقط به طور خلاصه به مدل پر صفر اشاره می کنیم، با این حال، از آنجایی که آنها مورد خاصی(منحط)  از مدل های کلاس پنهان هستند ، بعدا آنها را مورد بحث قرار می دهیم.

۴٫۲٫۴ مدل های کلاس پنهان

اخیرا مدل کلاس پنهان (LCM) در بررسی های تقاضا متداول تر شده است. مدل های پر صفر که قبلا مورد بحث قرار گرفت  انواع مختلف غیر کاربران را در جمعیت در نظر میگیرد، اما آنها هنوز هم برای تفاوت های میان کاربران به حساب نمی روند. مدل های کلاس پنهان، با تقسیم جمعیت به کاربران مراقبت بهداشت و درمان مکرر و نادر، در مقابل کاربران و غیر کاربران در مدل ممانعتی، برای کمک به توضیح عدم تجانس غیر قابل مشاهده در میان افراد معرفی شد. جاییکه مدل های پر صفر توزیع مخلوط بر مقادیر صفر در داده ها فراهم می کند، LCM اختلاط کلی تر را میسر می کند(سرما و سیمپسون، ۲۰۰۶).

در فرمول متداول آن همان طور که برای تقاضای مراقبت های بهداشتی اعمال می شود ( دب و هولمز، ۲۰۰۰؛ دب و Trivedi، ۱۹۹۷ دب و Trivedi، ۲۰۰۲) ، LCM جمعیت را به کلاس های پنهان، یا مشاهده نشده، بر اساس وضعیت سلامت طولانی مدت پنهان فرد، تقسیم می کند. با ظرفیت آن در عدم تجانس مشاهده نشده مدل، LCM به متغیرهای پنهان اجازه می دهد انواع مختلف گروه ها  را به روش های مختلف تحت تاثیر قرار دهد. LCM نیمه پارامتریک می باشند چون آنها برای متغیر مختلط نیاز به مفروضات توزیعی ندارند(هکمن و Singer ، ۱۹۸۴). این امر می تواند آنها را کمتر مستعد سوگیری مرتبط با داده هایی که با مفروضات مدل مطابقت ندارد، کند. مدل های کلاس پنهان متفاوت از مدل های دو قسمتی می باشد که در آن، آنها در چارچوب نماینده ی(عامل) اصلی قابل تفسیر نمی باشند، اما آنها تمایل به توصیف بهتر داده های بهره گیری مشاهده شده، دارند .

انجام پایان نامه

یک محدودیت مدل LCM اینست که گاهی اوقات برآورد آنها به علت وفور پارامتر مشکل می باشد، چون  پارامترهای مختلط باید به صورت یکجا با پارامترهای دیگر در مدل برآورد شوند. نتیجه ی این امر اینست که اگر اطلاعات کافی در دسترس نباشد،  ممکن است برآورد تمام پارامترهای لازم به خوبی میسر نباشد. راه حل های ممکن برای این محدودیت استفاده از الگوریتم های بيشينه سازي- اميد رياضي یا روش های برآورد بیزی Bayesian می باشد. البته، استفاده از LCM ،مانند هر روش مدل سازی دیگر، حساس به مشخصات نادرست تابع توزیع احتمال می باشد، و معتبر کننده تطبیق مدل با داده ها یک قدم مهم است.

عملکرد نسبی LCM و TPM موضوع بحث است. همانطور که در بالا بحث شد، مدل های ممانعتی برای انعکاس مساله عاملیت در مشاوره های دکتر تصور شدند ، که در آن تنها تماس اولیه به طور کامل توسط بیمار تعیین می شود و تماس های بعدی با اهداف پزشک تحت تاثیر قرار می گیرند. طرفداران مدل های کلاس پنهان دیدگاه گسترده تری اتخاذ میکنند که در آن هر فرد یک کاربر بالقوه است اما جمعیت از انواع مختلفی از کاربران تشکیل شده، اگر چه این انواع نمی توانند مشاهده شوند. یک مطالعه نشان می دهد که LCM برای مراجعه به پزشکان عمومی مناسب تر می باشند، در حالی که TPM برای ویزیت های متخصصان بهتر اجرا می کند(جیمنز-مارتین و همکاران، ۲۰۰۲). این امر ممکن است به دلیل تفاوت در تعداد مراجعات انجام شده به پزشکان عمومی (GPS) و تعداد مراجعات انجام شده به متخصصان در طی یک حملهی بیماری – با GP هایی باشد که مراجعه های بیشتری دریافت می کنند. TPM فرض می کند که هر حمله ی بیماری ، یک مراجعه (ویزیت) ایجاد می کند و به احتمال زیاد این امر برای پزشکان عمومی نقض می شود، بنابراین سبب عملکرد ضعیف TPM در این مورد می باشد (سانتوس سیلوا و Windmeijer، ۲۰۰۱).

مثال ۴٫۳ یک تحلیل اقتصادسنجی از رابطه بین کار در بازار، دستمزد، و سلامت مردان

همبستگی بین زمان کار، دستمزد و سلامت که در مدل تقاضای گراسمن برای سلامت و بهداشت مشخص شد، از نقطه نظر اقتصادسنجی مطالعه و بررسی می شوند (Haveman و همکاران، ۱۹۹۴).داده ها ی مربوط به این مطالعه از مطالعه پنل میشیگان از دینامیک درآمد گرفته شد.

پانل دیتا (داده) شامل ۴۶۴۰ نفر حجم نمونه کل  می باشد، که با بررسی و دنبال کردن  ۶۱۳ مرد سفید از سال ۱۹۷۶ تا سال ۱۹۸۳ به دست آمد. در این بررسی، وضعیت سلامت به صورت پاسخ به دو پرسش نظرسنجی تعریف شد. اول از مخاطب، پرسیده شد که \ آیا شما وضعیت جسمی یا عصبی  دارید که نوع یا مقدار کاری که می توانید انجام دهید را محدود کند؟ ”

اگر پاسخ \ بلی بود “، و سپس یک سوال در ادامه ی آن پرسیده شد\ آیا آن کار شما را  به مقدار زیادی، تا حدودی، و یا فقط کمی محدود می کند؟.” بر اساس این سوالات نمره ای از ۰ (برای بدون هیچ وضعیت خاص) تا ۳ ( برای وضعیتی که محدودیت زیادی ایجاد می کند) در نظر گرفته شد.

داده ها منطبق با سیستم معادلات سه خطی می باشد (۴٫۴)، که به طور مشترک با فرد، i، و زمان،t ، نشان داده می شوند. روش تعمیم یافته ی (عمومی) مدل برآورد لحظات (GMM) (هانسن، ۱۹۸۲) این سیستم معادلات برای داده ها و ضرایب خطی را برآورد می کنند. مدل GMM دارای این مزیت است که آن یک چارچوب معادله ای همزمان با ساختار کوواریانس با دوره خطای غیر کروی طراحی می کند. این مدل آماری نسبتا نامحدود ، میسر می سازد که همبستگی بین مقادیر در مدل بدون نشان دادن سوگیری برآورد شود.

نتیجه گیری ها در (Haveman و همکاران، ۱۹۹۴) با پیش بینی های مدل سرمایه انسانی گراسمن مقایسه می شوند. با این حال، جزئیات مقایسه ها تنها میزان شناسایی همبستگی مثبت و منفی است. مشخص شد که محدودیت های بهداشتی و سن همبستگی مثبتی دارند. همچنین، محدودیت بهداشت و تحصیلات همبستگی منفی دارند. هر دو این همبستگی ها با مدل گراسمن سازگار و منطبق می باشد. با این حال، مشخص شد همبستگی مثبت مورد انتظار بین محدودیت های پیشین زمان کار و سلامت وجود ندارد. همبستگی بیشتر بین شرایط در کار و وضعیت سلامت نیز یافت شد.

این مطالعه اقتصادسنجی مدل سرمایه انسانی گراسمن برای تقاضای مراقبت های بهداشتی را نه تایید و نه رد می کند. مقایسه ها با این مدل تا حد زیادی کیفی هستند و مشاهدات کلیدی در مورد سلامت، سن، و تحصیلات به شدت تعجب آور هستند.

۴٫۲٫۵ ارزیابی رویکرد اقتصادسنجی

هدف اصلی در تحلیل اقتصاد سنجی تقاضا مراقبت های بهداشتی شناسایی عوامل موثر بر بهره گیری و پیش بینی تقاضا آتی می باشد. در بحث بالا ما به طور خلاصه برخی از روش های متداول تر اقتصادسنجی را بیان کرده ایم. مدل های اولیه بر اساس یک چارچوب مفهومی (نظری) تصمیم گیری گراسمن از لحاظ تجربی به خوبی اجرا نشدند، که منجر به اصلاحات بیشتر رویکرد تقاضای مصرف کننده شد. اکثر مطالعات مشخص کردند که گروه کلاس پنهان مدل ها بهترین عملکرد را نشان می دهد، هر چند استثنایی، مانند عملکرد برتر مدل دو تایی (دوقسمتی) برای مراجعات(ویزیت های) متخصص وجود دارد. در اینجا مقدار قابل توجهی کار با حدس و گمان مستلزم برای هر مجموعه داده های جدید و نوع جدیدی از سوال که مطرح می شود، باقی می ماند.

یک انتخاب نشان دهنده مطالعات اقتصادسنجی بر روی تقاضا مراقبت های بهداشتی در جدول ۴٫۱ خلاصه می شود. تحلیل اقتصادسنجی برای بررسی گرایشها و روابط اقتصادی سلامت، و برای طراحی و ارزیابی سیاست های اجتماعی استفاده شده است (Studenmund و کسیدی، ۱۹۸۷). به عنوان مثال، اثر یارانه در بهره گیری از مراقبت های بهداشتی با استفاده از این رویکرد در زمینه سلامت مورد بررسی قرار گرفته است. در یک مطالعه، مشخص شد که حذف یارانه (کمک پرداخت هزینه)  برای داروهای تجویزی ، استفاده از مواد مخدر تجویزی را در کانادا افزایش می دهد(Grootendorst، ۱۹۹۵).

در یک مورد دیگر، مشخص شد که اصلاح مراقبت های بهداشتی آلمان در ۱۹۹۷ که کمک پرداخت را تا ۲۰۰٪ افزایش داد، منجر به ۱۰% کاهش در تعداد ویزیت های دکتر شد. با توجه به عوامل موثر بر تقاضا مراقبت های بهداشتی، متغیرهای مانند وضعیت سلامت و بیمه گرایش به همبستگی مثبت با بهره گیری دارد (جدول ۴٫۱ را ببینید). این نمونه ها نشان می دهد که رویکرد اقتصاد سنجی می تواند اطلاعات ارزشمندی را برای توسعه مدیریت و سیاست فراهم می کند. با این حال، مرور ادبیاتی ما نیز نشان داد که هنوز هیچ اجماع واقعی در مورد اینکه کدام عوامل و فاکتورها با بهره گیری از مراقبت های بهداشتی در ارتباط هستند، وجود ندارد.

یک توضیح برای این مطلب، ماهیت داده های موجود درمورد بهره گیری از خدمات سلامت و بهداشت می باشد. اکثر داده ها و اطلاعات موجود از بررسی ها سرچشمه گرفته و حاصل می شوند، و غالبا تحت تاثیر سوگیری و خطا قرار می گیرند. در واقع، به طور کلی کیفیت داده ها یک مسئله مهم در مدل سازی ریاضی است.

علاوه بر کیفیت، نوع داده ها نیز در مدل سازی ربط دارد. به عنوان مثال، در توسعه مدل های اقتصاد سنجی برای بهره گیری از مراقبت های بهداشتی، آشکار می شود که چندین ویزیت (مراجعه) در طی هر حمله بیماری می تواند برای  تحلیل آماری مهم باشد (سانتوس سیلوا و Windmeijer، ۲۰۰۱) مهم تبدیل شد. با این حال، این نوع از اطلاعات معمولا از بررسی ها حاصل نمی شود، چون تنها تعداد کل ویزیت ها به نوع خاصی از ارائه دهنده برای هر بیمار ثبت می شود. مقایسه ها در سراسر مطالعات نیز با واقعیت آن داده  برای بخش های مختلف جمعیت ها پیچیده می شوند یا بارائه متغیرهای مختلف خدمات بهداشتی و بیمار در هر مطالعه در نظر گرفته می شود. با این حال،  پیدا کردن عوامل موثر جمعیت خاص بر بهره گیری از مراقبت های بهداشتی، همچنان به منظور حمل پتانسیل بزرگ تر برای هدایت توسعه سیاستی ادامه می یابد.

انجام پایان نامه ارشد