Measurement and determinants of catastrophic health expenditure among elderly households in China using longitudinal data from the CHARLS
Notice bibliographique
Résumé
BACKGROUND: Catastrophic health expenditure (CHE) among the Chinese elderly warrants attention. However, the incidence, intensity and determinants of CHE have not been fully investigated. This study explores the incidence, intensity and determinants of CHE among elderly Chinese citizens, i.e., those aged 60 years or older. METHODS: Data were obtained from three waves of the China Health and Retirement Longitudinal Study (CHARLS): 2011, 2013 and 2015. The cut-off points used in this study for CHE were 10% of the total expenditures and 40% of non-food expenditure. Under the guidance of Andersen's model of health services utilization, this study used logistic regression analysis to explore the determinants of CHE. RESULTS: The incidence of CHE defined as more than 40% of non-food expenditure rose over the study period, 2011-2015, from 20.86% (95% CI: 19.35 to 22.37%) to 31.00% (95% CI: 29.28 to 32.72%). The intensity of CHE also increased. The overshoot (O) based on non-food expenditure rose from 3.12% (95% CI: 2.71 to 3.53%) to 8.75% (95% CI: 8.14 to 9.36%), while the mean positive overshoot (MPO) rose from 14.96% (95% CI: 12.99 to 16.92%) to 28.23% (95% CI: 26.26 to 30.19%). Thus, the problem of CEH was even more serious in 2015 than in 2011. Logistic regression revealed that households were more likely to face CHE if they had a spouse as a household member, reported an inpatient event in the last year, reported an outpatient visit in the last month, were disabled, were members of a poor expenditure quartile, lived in the middle and western zones or resided in an urban area. In contrast, CEH was not significantly affected by respondents being older than 75 years or having a chronic health condition, by household size or by insurance type. CONCLUSIONS: Key policy recommendations include the gradual improvement of medical assistance and the expansion of the use of health insurance to reduce household liability for health expenditures.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».