Modelowanie wskaźników obciążenia chorobami w wybranych krajach Europy za pomocą odpornych dynamicznych przestrzennych modeli panelowych
DOI:
https://doi.org/10.18778/0208-6018.347.07Słowa kluczowe:
dynamiczne przestrzenne modele danych panelowych, M-estymacja, efekty ustalone, krótkie panele, miary globalnego obciążenia chorobami, czynniki społeczno-ekonomiczne.Abstrakt
Celem artykułu jest analiza powiązań między wybranymi czynnikami społeczno‑ekonomicznymi a stanem zdrowia mieszkańcow Europy. Stan zdrowia opisywany jest za pomocą wybranych wskaźnikow globalnego obciążenia chorobami – DALY (utracona długość życia korygowana niepełnosprawnością) oraz jego dwoma komponentami: YLL (lata życia z chorobą lub niepełnosprawnością) oraz YLD (lata życia utracone wskutek przedwczesnej śmierci). W opracowaniu zidentyfikowane zostały czynniki, ktore istotnie wpływają na kształtowanie się tych wskaźnikow braku zdrowia. W analizie empirycznej wykorzystano dane panelowe obejmujące 16 krajow, głownie ze „starej UE”, w latach 2003–2013. Do modelowania zależności wskaźnikow globalnego obciążenia chorobami od czynnikow społeczno‑ekonomicznych wykorzystane zostały dynamiczne przestrzenne modele panelowe z efektami ustalonymi (DSPD). Modele te estymowane są za pomocą nowego podejścia (Yanga), polegającego na modyfikacji metody największej wiarygodności i opartego na M‑estymacji tego typu modeli. Metoda ta jest odporna na założenia dotyczące rozkładu tzw. warunkow początkowych. Analiza empiryczna obejmuje specyfikację, estymację oraz statystyczną weryfikację modeli. Wyniki wskazują, że zmienność YLD jest w znacznym stopniu związana ze spożyciem alkoholu, wydatkami na opiekę zdrowotną, wydatkami socjalnymi, tempem wzrostu PKB oraz latami edukacji. Ta sama grupa czynnikow jest związana ze zmiennością DALY. Natomiast wrażliwość składowej YLL na czynniki społeczno‑ekonomiczne jest znacznie słabsza.
Pobrania
Bibliografia
Anand S., Hanson K. (1997), Disability adjusted lost years – a critical review, “Journal of Health Economics”, no. 16, pp. 685–702.
Google Scholar
Anand S., Hanson K. (1998), DALYs: efficiency versus equity, “World Development”, vol. 26, no. 2, pp. 307–310.
Google Scholar
Barker C., Green A. (1996), Opening the Debate on DALYs, “Health Policy and Planning”, no. 11, p. 179–183.
Google Scholar
Berman S. (1995), Otitis media in developing countries, “Pediatrics”, no. 96, pp. 126–131.
Google Scholar
Binder M., Hsiao C., Pesaran M. H. (2005), Estimation and inference in short panel vector autoregressions with unit roots and cointegration, “Econometric Theory”, no. 21, pp. 795–837.
Google Scholar
Bun M. J., Carree M. A. (2005), Bias‑corrected estimation in dynamic panel data models, “Journal of Business and Economic Statistics”, no. 23, pp. 200–210.
Google Scholar
Cavalini L. T., De Leon A. (2008), Morbidity and mortality in Brazilian communes: a multilevel study of association between socioeconomic and healthcare indicators, “International Journal of Epidemiology”, no. 37, pp. 775–785, http://doi.org/10.1093/ije/dyn088
Google Scholar
Dahlgren G., Whitehead M. (2007), European Strategies for Tackling Social Inequities in Health: Leveling up Part 2, WHO Regional Office for Europe, Copenhagen.
Google Scholar
Dańska‑Borsiak B. (2011), Dynamiczne modele panelowe w badaniach ekonomicznych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Google Scholar
Desjarlais R., Eisenberg L., Good B., Kleinman A. (1995), World mental health: problems and priorities in low income countries, Oxford University Press, New York.
Google Scholar
Devleesschauwer B., Noordhout C. M. de, Praet N., Duchateau L., Van Oyen H., Havelaar A. H., Haagsma J. A., Dorny P., Torgerson P. R., Speybroeck N. (2014), DALY calculation in practice: a stepwise approach, “International Journal of Public Health”, vol. 59, issue 3, pp. 571–574, http://doi.org/10.1007/s00038-014-0553‑y
Google Scholar
Elhorst J. P. (2010a), Spatial Panel Data Models, [in:] M. M. Fischer, A. Getis (eds.), Handbook of Applied Spatial Analysis, Springer, Berlin, pp. 377–407.
Google Scholar
Elhorst J. P. (2010b), Applied spatial econometric: raising the bar, “Spatial Economic Analysis”, no. 5, pp. 9–28.
Google Scholar
Elhorst J. P. (2010c), Dynamic panels with endogenous interaction effects when T is small, “Regional Science and Urban Economics”, no. 40, pp. 272–282.
Google Scholar
Elhorst J. P. (2012), Dynamic spatial panels: models, methods and inferences, “Journal of Geographical Systems”, no. 14, pp. 5–28, http://doi.org/10.1007/s10109-011-0158-4
Google Scholar
Eurostat (2012), “Global Europe 2050” – Eurostat’s Report for the European Commission, https://ec.europa.eu/research/social‑sciences/pdf/policy_reviews/global‑europe–2050‑report_en.pdf [accessed: 30.11.2018].
Google Scholar
Frohlich N., Mustard C. (1996), A regional comparison of socioeconomic and health indices in a Canadian province, “Social Science and Medicine Journal”, vol. 42(9), pp. 1273–1281.
Google Scholar
Gourieroux C., Phillips P. C.B., Yu J. (2010), Indirect inference for dynamic panel models, “Journal of Econometrics”, no. 157, pp. 68–77.
Google Scholar
Hampel F. R., Ronchetti E. M., Rousseeuw P. J., Stahel W. A. (1986), Robust Statistics. The Approach Based on Influence Functions, John Wiley and Sons, New York.
Google Scholar
Hsiao C., Pesaran M. H., Tahmiscioglu A. K. (2002), Maximum likelihood estimation of fixed effects dynamic panel data models covering short time periods, “Journal of Econometrics”, no. 109, pp. 107–150.
Google Scholar
http://www.who.int/social_determinants/sdh_definition/en/ [accessed: 30.11.2018].
Google Scholar
Huber P. J. (1981), Robust Statistics, Wiley, New York.
Google Scholar
Kruiniger H. (2013), Quasi ML estimation of the panel AR(1) model with arbitrary initial conditions, “Journal of Econometrics”, no. 173, pp. 175–188, http://doi.org/10.1016/j.jeconom.2012.11.004
Google Scholar
Laurell A.C, Arellano L. O. (1996), Market commodities and poor relief: the World Bank proposal for health, “Journal of Health Economics”, vol. 26, no. 1, pp. 1–18.
Google Scholar
Lee L. F., Yu J. (2010a), Estimation of spatial autoregressive panel data model a with fixed effects, “Journal of Econometrics”, no. 154, pp. 165–185, https://doi.org/10.1016/j.jeconom.2009.08.001
Google Scholar
Lee L. F., Yu J. (2010b), Estimation of spatial panels: random components vs. fixed effects, unpublished manuscript, Ohio State University, Columbus.
Google Scholar
Lee L. F., Yu J. (2010c), Some recent developments in spatial panel data models, “Regional Science and Urban Economics”, no. 40, pp. 255–271, http://doi.org/10.1016/j.regsciurbeco.2009.09.002
Google Scholar
Lee L. F., Yu J. (2010d), A spatial dynamic panel data model with both time and individual fixed effects, “Econometric Theory”, no. 26, pp. 564–597.
Google Scholar
Lozano R., Murray C. J.L., Frenk J., Bobadilla J.‑L. (1995), Burden of diseases assessment and health system reform: results of a study in Mexico, “Journal of International Development”, vol. 7, no. 3, pp. 555–564.
Google Scholar
Martens W. J., Niessen L. W., Rotmans J., Jetten T. H., McMichael A. J. (1995), Potential impact of global climate change on malaria risk, “Environmental Health Perspectives”, vol. 103, no. 5, pp. 458–464, http://doi.org/10.1289/ehp.95103458
Google Scholar
Murray C. J.L. (1994), Quantifying the burden of disease: the technical basis for disability‑adjusted life years, “Bulletin of the World Health Organization”, vol. 72(3), pp. 429–445.
Google Scholar
Murray C. J.L. (1996), Rethinking DALYs, [in:] C. J.L. Murray, A. D. Lopez (eds.), The Global Burden of Disease and Injury Series. Volume I. The Global Burden of Disease, Harvard School of Public Health, World Health Organization, World Bank, Boston, pp. 1–98.
Google Scholar
Murray C. J.L., Lopez A. D., Alan D. (1994), Global comparative assessments in the health sector: disease burden, expenditures and intervention packages, World Health Organization, Geneva.
Google Scholar
Murray C. J.L., Lopez A. D. (1996a), The Global Burden of Disease and Injury Series. Volume I. The Global Burden of Disease. A comprehensive assessment of mortality and disability from diseases, injuries, and risk factors in 1990 and projected to 2020, Harvard School of Public Health, World Bank, World Health Organization, Geneva.
Google Scholar
Murray C. J.L., Lopez A. D. (1996b), The Global Burden of Disease and Injury Series. Volume II. Global Health Statistics. A compendium of incidence, prevalence and mortality estimates for over 200 conditions, Harvard School of Public Health, World Bank, World Health Organization, Geneva.
Google Scholar
Murray C. J.L., Solomon J. A., Mathers C. D., Lopez A. D. (eds.) (2002), Summary measures of population health – concepts, ethics, measurement and applications, World Health Organization, Geneva.
Google Scholar
Orwat‑Acedańska A. (2019), Dynamic spatial panel data models in identifying socio‑economic factors affecting Europeans’ health level, “European Spatial Research and Policy”, vol. 26, no. 1, pp. 195–211.
Google Scholar
Robine J. M. (2006), Summarizing Health Status, [in:] D. Pencheon, C. Guest, D. Melzer, J. A.M. Gray (eds.), Oxford Handbook of Public Health Practice, 2nd ed., Oxford University Press, Oxford.
Google Scholar
Vaart A. W. van der (1998), Asymptotic Statistics, Cambridge University Press, Cambridge.
Google Scholar
Wróblewska W. (2008), Sumaryczne miary stanu zdrowia populacji, “Studia Demograficzne”, no. 1–2, pp. 153–154.
Google Scholar
Yang Z. (2018), Unified M‑Estimation of Fixed‑Effects Spatial Dynamic Models with Short Panels, “Journal of Econometrics”, no. 205, pp. 423–447, http://doi.org/10.1016/j.jeconom.2017.08.019
Google Scholar
Pobrania
Opublikowane
Jak cytować
Numer
Dział
