POLA PENGELUARAN RUMAH-TANGGA UNTUK KESEHATAN PADA KELOMPOK MARJINAL DAN RENTAN
Notice bibliographique
Résumé
Utilization of health care is infl uenced by many factors. Most important are geography, socioeconomic, gender inequality, culture, and quality of care. This study aimed at providing policy formulations evidence based in formation for RRO poor, The study is a cross sectional study using National Socioeconomic Survey data set of 1998 representing about 205.000 households. This analysis is conducted to respond the equity issue in Indonesia, with particular emphasize to equity of access (health services use). The study revealed that in urban areas 88.8% of the people pay the outpatient services from their out-of-pocket, while in rural the figure is 94.3%. The data shows that in urban areas, among the lowest group, expenditure for health placed about 13% of non-food expenditure. In rural areas the health expenditure accounted to around an average of 12% non-food expenditure. For the highest group of socioeconomic status, expenses on health reached only 10% of non-food expenditure. In rural areas, the highest group has spent for health about 14% of their non-food expenses. Most of the poor (almost 90%) have spent for health below a quarter of non-food expenses. In general, households have spent about 6-15% and 20-71% of their non-food expenses for outpatient and in-patient respectively. Those who spent more than 50% of their non-food expenditure for outpatient is accounted to 3.63% of the households in urban and 4.31% in rural areas. A relatively small percentage of the households in urban and rural areas used a catastrophic spending for outpatient care. Nevertheless, almost 77% of them in urban and rural areas have spent more than 50% of their non-food expenditures per month for inpatient care. This catastrophic spending has affected 72.88% of the households in the urban area and 80.98% in rural areas. Apparently the financial risk is very high for the people in responding the probability of loss due to sickness. Since most Indonesian people are not insured, this phenomenon will become a burden for them.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».