【摘要】：醫(yī)療費用數(shù)據(jù)的研究一直以來是衛(wèi)生經(jīng)濟學(xué)研究的重點.研究醫(yī)療費用數(shù)據(jù)的重難點在于如何處理醫(yī)療數(shù)據(jù)的復(fù)雜相關(guān)性.與此同時我們發(fā)現(xiàn)醫(yī)療費用數(shù)據(jù)往往是嚴重偏斜、異方差、非正態(tài)的,這就為醫(yī)療費用的研究增加了難度.另外,由于科學(xué)技術(shù)的不斷發(fā)展,尤其是“大數(shù)據(jù)”時代的今天,我們可能收集到更加復(fù)雜的醫(yī)療費用,例如我們可以收集到的醫(yī)療費用數(shù)據(jù)往往含有高維的附加輔助信息(協(xié)變量).但是,目前現(xiàn)有的很多統(tǒng)計模型都只適用于處理低維協(xié)變量,當協(xié)變量為高維時,由于“維數(shù)禍根”的影響,很多模型都不再適用于含有高維協(xié)變量的醫(yī)療費用數(shù)據(jù)的分析,因此本論文提出更加靈活的統(tǒng)計模型,可以對含有高維協(xié)變量的醫(yī)療費用數(shù)據(jù)進行建模和統(tǒng)計分析.本文提出的部分非線性指標模型(partially nonlinear index model,PNIM),模型假定協(xié)變量為高維協(xié)變量,同時還能允許一些非線性的協(xié)變量對醫(yī)療費用的影響存在.接著針對部分非線性指標模型,本文主要給出了兩種估計方法.方法一是考慮利用部分充分降維(partially sufficient dimension reduction,PSDR)結(jié)合改進的平均回歸(Modified average regression estimator)進行求解.首先利用部分充分降維的方法得到模型的部分降維中心子空間以及中心子空間的結(jié)構(gòu)維數(shù),然后改進平均回歸方法(Chen et al.,2011)使其適應(yīng)多指標模型,最后利用改進的平均回歸估計對模型進行非參數(shù)部分的估計,從而完成了對部分非線性指標模型的降維處理以及相應(yīng)的未知函數(shù)的非參數(shù)估計.方法二是考慮到部分充分降維過程中利用的降維方法可能會對X的結(jié)構(gòu)要求較高,如利用切片逆回歸(SIR)需要線性條件,有時還不一定能窮盡地找到(7)T(8)Y XS的所有基向量,因此本文拓展了Xia(2002,2008)提出的最小平均方差估計(minimum average variance estimation,MAVE),使其適應(yīng)部分非線性指標模型,同時對參數(shù)和非參數(shù)部分進行估計.拓展后的MAVE更具有適應(yīng)性,也能夠有效的避免了維數(shù)禍根的問題.另外,本文對于上述的兩種方法都給出了相應(yīng)的數(shù)值模擬,也給出了相應(yīng)的漸近性質(zhì).通過數(shù)值模擬,我們發(fā)現(xiàn)上述兩種方法對于處理高維協(xié)變量都具有一定的優(yōu)越性,從計算效率來說方法一避免了多次迭代,運算速度較快.但是從運算的適應(yīng)范圍而言,方法二拓展的MAVE能夠更好的處理具有相關(guān)性的數(shù)據(jù).與此同時,我們利用本文提出的部分非線性指標模型結(jié)合醫(yī)療數(shù)據(jù)(The Medical Expenditure Panel Survey,MPES)MPES數(shù)據(jù)進行實例分析,一方面我們發(fā)現(xiàn),“是否住院”對醫(yī)療費用的影響最大,此外,死亡、心血管疾病、呼吸道疾病、癌癥等疾病對醫(yī)療費用也有著較大的影響;另一方面,年齡對醫(yī)療費用的影響具有階段性,一開始隨著年齡的增加,醫(yī)療費用有所降低,而后在67歲到69歲,醫(yī)療費用有著較大的上升;隨后在69到73之間,醫(yī)療費用會隨著年齡的增長在一定的范圍內(nèi)波動,隨后到74附近達到一個小峰值;之后有所下降,在75歲到80歲附近,隨著年齡的增長波動向上遞增;然后在81歲到82歲附近醫(yī)療費用會有所下降,隨后醫(yī)療費用又隨即快速上升.綜上所述,本文提出的部分非線性指標模型以及相應(yīng)的估計方法能夠有效的對醫(yī)療費用數(shù)據(jù)EMPS進行建模和統(tǒng)計分析.
【圖文】：

可以發(fā)現(xiàn) 的估計值與真值有很高的相關(guān)性,并且隨著樣本數(shù)的增加, 相關(guān)性越來越顯著.另外本方法對于結(jié)構(gòu)維數(shù)有很好的估計,在例I-A、例I-B和例II情形下, 進行1000次的數(shù)值模擬, 正確選擇結(jié)構(gòu)維數(shù)的頻率為100% .于此同時也應(yīng)證了切片個數(shù)的選擇, 對于結(jié)果沒有顯著的影響.在得到了結(jié)構(gòu)維數(shù)、中心子空間的基礎(chǔ)上, 再利用改進后的平均回歸對非參數(shù)部分進行估計, 下面給出的非參數(shù)部分的估計圖像.圖2-1至圖2-5分別為例I-A、例I-B非參數(shù)部分 g 、 f 的估計.以及例II的非參數(shù)部分 f 的估計. 圖中實線為非參數(shù)部分的真實曲線, 虛線為其相應(yīng)的估計曲線, 點畫線為為95%的置信區(qū)間曲線.從圖2-1至圖2-5可以發(fā)現(xiàn), 本文提出的估計方法能夠很好的估計出非參數(shù)部分.n 20000.9949(0.0017) 0.9950(0.0018)（II）n 5000.9082(0.0171) 0.9108(0.0235)n 10000.9317(0.0043) 0.9419(0.0103)n 20000.9589(0.0032) 0.9614(0.0073)

可以發(fā)現(xiàn) 的估計值與真值有很高的相關(guān)性,并且隨著樣本數(shù)的增加, 相關(guān)性越來越顯著.另外本方法對于結(jié)構(gòu)維數(shù)有很好的估計,在例I-A、例I-B和例II情形下, 進行1000次的數(shù)值模擬, 正確選擇結(jié)構(gòu)維數(shù)的頻率為100% .于此同時也應(yīng)證了切片個數(shù)的選擇, 對于結(jié)果沒有顯著的影響.在得到了結(jié)構(gòu)維數(shù)、中心子空間的基礎(chǔ)上, 再利用改進后的平均回歸對非參數(shù)部分進行估計, 下面給出的非參數(shù)部分的估計圖像.圖2-1至圖2-5分別為例I-A、例I-B非參數(shù)部分 g 、 f 的估計.以及例II的非參數(shù)部分 f 的估計. 圖中實線為非參數(shù)部分的真實曲線, 虛線為其相應(yīng)的估計曲線, 點畫線為為95%的置信區(qū)間曲線.從圖2-1至圖2-5可以發(fā)現(xiàn), 本文提出的估計方法能夠很好的估計出非參數(shù)部分.n 20000.9949(0.0017) 0.9950(0.0018)（II）n 5000.9082(0.0171) 0.9108(0.0235)n 10000.9317(0.0043) 0.9419(0.0103)n 20000.9589(0.0032) 0.9614(0.0073)
【學(xué)位授予單位】：浙江財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R197.3

【相似文獻】

相關(guān)碩士學(xué)位論文 前2條

1 徐璇;部分非線性指標模型降維及其在醫(yī)療費用中的應(yīng)用[D];浙江財經(jīng)大學(xué);2017年

2 許謙;單函數(shù)型指標模型回歸函數(shù)和條件密度函數(shù)漸近性質(zhì)的研究[D];合肥工業(yè)大學(xué);2013年

，

本文編號：2588372