Comparing estimates of household expenditures between pictorial diaries and surveys in three low- and middle-income countries
Notice bibliographique
Résumé
In most low- and middle-income countries (LMICs), household out-of-pocket (OOP) health spending constitutes a major source of healthcare financing. Household surveys are commonly used to monitor OOP health spending, but are prone to recall bias and unable to capture seasonal variation, and may underestimate expenditure-particularly among households with long-term chronic health conditions. Household expenditure diaries have been developed as an alternative to overcome the limitations of surveys, and pictorial diaries have been proposed where literacy levels may render traditional diary approaches inappropriate. This study compares estimates for general household and chronic healthcare expenditure in South Africa, Tanzania and Zimbabwe derived using survey and pictorial diary approaches. We selected a random sub-sample of 900 households across urban and rural communities participating in the Prospective Urban and Rural Epidemiology study. For a range of general and health-specific categories, OOP expenditure estimates use cross-sectional survey data collected via standardised questionnaire, and data from these same households collected via two-week pictorial diaries repeated four times over 2016-2019. In all countries, average monthly per capita expenditure on food, non-food/non-health items, health, and consequently, total household expenditure reported by pictorial diaries was consistently higher than that reported by surveys (each p<0.001). Differences were greatest for health expenditure. The share of total household expenditure allocated to health also differed by method, accounting for 2% in each country when using survey data, and from 8-20% when using diary data. Our findings suggest that the choice of data collection method may have significant implications for estimating OOP health spending and the burden it places on households. Despite several practical challenges to their implementation, pictorial diaries offer a method to assess potential bias in surveys or triangulate data from multiple sources. We offer some practical guidance when considering the use of pictorial diaries for estimating household expenditure.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».