SFA vs. DEA for Measuring Healthcare Efficiency: A Systematic Review
Notice bibliographique
Résumé
Frontier techniques have been used to measure healthcare provider efficiency in hundreds of published studies. Although these methods have the potential to be useful to decision makers, their utility is limited by both methodological questions concerning their application. The aim of this paper is to search articles applying combined data envelopment analysis (DEA) and stochastic frontier analysis (SFA) in order to facilitate a common understanding about the adequacy of these methods, defining any differences in healthcare efficiency estimation and the reasons that are behind this. A systematic review of 21 such studies published the last decade was conducted. Only studies written in English were considered. Results are summarized in a form of meta-analysis in order to synthesize results and draw out further implications. Overall, DEA and SFA were found to yield divergent efficiency estimates due to many factors such as statistical noise, how inputs and outputs were defined, as well as data availability. Researchers, besides the combination of models to measure efficiency, lately have introduced environmental variables in their analyses, aiming at better understanding the relationship of these factors to efficiency and thus achieving a better decision making process. In any case the analysis concludes that there is a need for careful attention by stakeholders since the nature of the data and its availability influence the measurement of efficiency and thus it is necessary to model the behavior which generates the data by choosing the appropriate mathematical form
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,038 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,018 |
| Bibliométrie | 0,023 | 0,024 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».