Resumen

En la investigación sanitaria, los datos sobre el gasto médico de las personas mayores suelen ser semicontinuos y sesgados hacia la derecha, lo que implica una masa puntual en el cero y puede presentar heteroscedasticidad. El problema de una proporción sustancial de valores cero impide las técnicas de regresión tradicionales basadas en la distribución gaussiana, gamma o gaussiana inversa, que pueden llevar a entender los errores estándar de los parámetros y a sobreestimar su importancia. Una forma habitual de contrarrestar el problema es utilizar modelos ajustados a cero. Sin embargo, debido a la asimetría derecha en la respuesta de los no ceros, los modelos convencionales ajustados a cero, como la gamma ajustada a cero, la gaussiana inversa ajustada a cero y el Tobit clásico, pueden no funcionar bien. Aquí, en primer lugar, generalizamos esos tres tipos de modelos convencionales ajustados a cero para resolver el problema de la asimetría derecha en la atención sanitaria. Los modelos generalizados ajustados a cero son muy flexibles e incluyen los modelos Weibull ajustado a cero, gamma ajustado a cero, gaussiano inverso y Tobit clásico como casos especiales. Utilizando la Encuesta Longitudinal de Longevidad Saludable de China, encontramos que, según los criterios AIC, SBC y de desviación, el modelo gamma generalizado ajustado a cero es el mejor de estos modelos generalizados para predecir las probabilidades de coste cero con precisión. Para representar los predictores que afectan al gasto de cantidad, analizamos además las situaciones en las que la media, la dispersión de un gasto de cantidad no nulo y el modelo de probabilidad de cantidad nula de ZAGG en términos de variables predictoras utilizando funciones de enlace adecuadas, respectivamente. Nuestro análisis muestra que la edad, la salud, las enfermedades crónicas, los ingresos del hogar y la residencia son los principales factores que influyen en el gasto médico de los ancianos, pero el seguro no es significativo. Hasta donde sabemos, son pocos los estudios que se centran en estas situaciones, y esta es la primera vez.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo ajustado, gaussiano inverso ajustado, gamma ajustado, chino longitudinal sano, técnicas de regresión tradicionales, cantidad de zagg, términos del predictor, modelo gamma generalizado, datos de gasto médico, cantidad de gasto no nula
• Keywords:adjusted model, adjusted inverse gaussian, adjusted gamma, chinese longitudinal healthy, traditional regression techniques, amount of zagg, terms of predictor, generalized gamma model, medical expenditure data, nonzero amount expenditure