基于lasso回归模型的我国个人卫生支出占比影响因素分析

《基于lasso回归模型的我国个人卫生支出占比影响因素分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于Lasso回归模型的我国个人卫生支出占比影响因素分析海IMS江西财经大学统计学院文章考虑人门、政策、经济、技术水平、医疗服务供给和居民收入6个维度共12个影响因素，以Lasso回归方法进行降维和参数估计。研宂发现:个人卫生支出占比受65岁及以上老年人口比例影响最大，其次是政府卫生支出占比;每千人口医生数和每千人口床位数、卫生总费用占GDP比例、婴儿死亡率对个人卫生支出占比有正向影响，政府卫生支出占比、社会卫生支出占比、65岁及以上老年人门比例对个人卫生支出占比有负向影响。关键词：个人卫牛.支出占比;影响因素;政府卫牛.支出；L

2、asso;基金：国家社会科学基金资助项目（16BTJ004）0引言2009年的新医疗体制改革方案的实施，确定Y政府在棊本公共医疗服务筹资屮的主体地位，我国也建立了世界上规模最大的医疗保障网，城乡基层医疗上生体系进一步健全。尽管我国医疗卫生事业得到了长足发展，可是当下人民群众对于健康的需求以及整个经济社会协调发展同当前的医疗卫生事业仍不匹配，二者的不适应矛盾仍然十分突出，而“看病贵”问题便是其中最突出的问题。“因病致贫、因病反贫”现象仍然普遍存在于广大居民屮。作为衡量我国个人医疗费用的重要指标，个人上生支出是我国上生总费用的构成之一

3、。深入分析个人卫生支出占比的影响因素，对症下药，才能更好地缓解我国居民的眹疗费用负担，从而实现全面小康。本文在［Hl顾我国2001—2015年间个人卫生支出发展变化的基础上确定因素分析的因变量及自变量，因变量为个人卫生支出占卫生总费用比例，自变量为政府卫生支出和社会卫生支出占卫生总费用的比例，同时还考虑人口、政策、经济、技术水平、医疗服务供给和居民收入因素对个人卫生支出占比的影响，从这6个维度再选取10个影响因素，运用Lasso回归方法进行降维和参数估计，以探究各因素对个人卫生支出占比的影响方向和程度。1变量设计及研宄方法1.1变

4、量设计卫生总费用，即卫生保健总支出，是指以货H3形式作为综合计量手段，全面反映一个国家或者地区在一段时间内(通常为1年)全社会用于医疗上生服务所消耗的资金总额，是反映一国卫生事业发展水平的综合指标。我国卫生总费用由三个部分组成:政府、社会和个人卫生支出。个人卫生支出是指由居民在就医时需要自己承扪的费用，但不包括各种交通费、护工费、住宿费等间接费用。个人卫生支出占比是指其在卫生总费用屮所占的比例，是衡量一个国家或地区居民医疗费用负担的主耍指标。政府卫生支出是指政府用于卫生事业的财政预算拨款;社会卫生支出是指社会各界对卫生事业的资金支

5、持，不包含城镇居民眹疗保险费和新型农村合作医疗保险费，但是伍含了社会医疗保险金、商业保险费、社会就医支出等。根据卫生总费用的构成，结合现有的相关研究，本文选取了个人卫生支出占比的影响因素如表1所示。表1个人卫生支出占比影响因素我国个人卫生支出发展变化情况大概分为两个阶段，第一阶段为1978—2000年,这阶段个人卫生支出迅速增加，个人卫生支出占卫生总费用比例也是一路攀升。而第二阶段为2001—2015年，国家幵始实施医疗体制改革，尽管个人卫生支出绝对数仍继续不断增长，但其占卫生总支出比例己经在逐渐降低。由于木文的研究0的在于更准确

6、地探究个人卫生支出的影响因素，从而找出降低个人卫生支出占卫生总费用比例的途径，所以本文以2001—2015年为研究时间段，数据来源于2001—2015年的《中国统计年鉴》和《中国上生统计年鉴》。1.2研宄方法(1)方法选取整理现有的研宄成果不难发现，影响个人卫生支出占比的因素众多，因此在建模时如遗漏某些影响显著的自变量，则建立模型用于估计和预测时会产生较大的偏差;但如果建模时引入较多的自变量，则模型中无关变量会极大地降低模型的估计和预测准确度。鉴于此，木文选择的是Lasso回归变量选择方法，以期从众多因素屮挑筛选出对个人卫生支出占

7、比影响显著的自变量。Lasso回归方法由Tibshirani创立，这种方法的特点是压缩估计，在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，这也是此方法的基础思想。Lasso回归方法可以得到某些严格等于0的回归系数，从而得到可以解释的模型，这一方法的优点在于保持了子集选择的可解释性和岭回归的稳定性。(1)模型建立假设一个随机的样本；其中，为p维的自变量，力响应变量，对成第i个观察值。如果假设y：在观察值给定的情形下是独立的，则对应的Lasso回归估计可表示为：模型(1)中，调和参数为，t的控制可以让回归系数的绝

8、对值和变小，而随着t的慢慢变小，就可以使一些回归系数缩小并最终趋近于0,这一过程屮,某些系数甚至就变为0。当对应系数变为0时，相应变量就从模型中直接剔除。简略地描述为:第一步，对数据标准化，使得初始均值，方差：第二步，在约束条件下，极小化。第三步，