Determinants of US Prescription Drug Utilization using County Level Data
Notice bibliographique
Résumé
Prescription drugs are the third largest component of U.S. healthcare expenditures. The 2006 Medicare Part D and the 2010 Affordable Care Act are catalysts for further growths in utilization becuase of insurance expansion effects. This research investigating the determinants of prescription drug utilization is timely, methodologically novel, and policy relevant. Differences in population health status, access to care, socioeconomics, demographics, and variations in per capita number of scripts filled at retail pharmacies across the U.S.A. justify fitting separate econometric models to county data of the states partitioned into low, medium, and high prescription drug users. Given the skewed distribution of per capita number of filled prescriptions (response variable), we fit the variance stabilizing Box-Cox power transformation regression models to 2011 county level data for investigating the correlates of prescription drug utilization separately for low, medium, and high utilization states. Maximum likelihood regression parameter estimates, including the optimal Box-Cox λ power transformations, differ across high (λ = 0.214), medium (λ = 0.942), and low (λ = 0.302) prescription drug utilization models. The estimated income elasticities of -0.634, 0.031, and -0.532 in high, medium, and low utilization models suggest that the economic behavior of prescriptions is not invariant across different utilization levels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».