A Spatio-Temporal Analysis of OECD Member Countries’ Health Care Systems: Effects of Data Missingness and Geographically and Temporally Weighted Regression on Inference
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Determinants of health care quality and efficiency are of importance to researchers, policy-makers, and public health officials as they allow for improved human capital and resource allocation as well as long-term fiscal planning. Statistical analyses used to understand determinants have neglected to explicitly discuss how missing data are handled, and consequently, previous research has been limited in inferential capability. We study OECD health care data and highlight the importance of transparency in the assumptions grounding the treatment of data missingness. Attention is drawn to the variation in ordinary least squares coefficient estimates and performance resulting from different imputation methods, and how this variation can undermine statistical inference. We also suggest that parametric regression models used previously are limited and potentially ill-suited for analysis of OECD data due to the inability to deal with both spatial and temporal autocorrelation. We propose the use of an alternative method in geographically and temporally weighted regression. A spatio-temporal analysis of health care system efficiency and quality of care across OECD member countries is performed using four proxy variables. Through a forward selection procedure, medical imaging equipment in a country is identified as a key determinant of quality of care and health outcomes, while government and compulsory health insurance expenditure per capita is identified as a key determinant of health care system efficiency.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 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 découle