ヘルスケアコストデータを分析するための加重分位回帰は、共変量が欠落している

ヘルスケアコストデータの分析は、多くの場合、高レベルの歪度、不均一な分散、欠落データの存在によって複雑になります。コストデータ分析に関する既存の文献のほとんどは、条件付き平均のモデリングに焦点を当てています。このホワイトペーパーでは、条件付きの分位数分子医療コストデータを欠落している共変量と推定するための加重分位回帰アプローチを研究します。加重分位回帰推定量は、ナイーブ推定器とは異なり、漸近的に正常な一貫性があります。さらに、共変量がランダムに欠落している場合、分位回帰の可変選択のための変更されたBICを提案します。分位回帰フレームワークにより、ヘルスケアコストに対する共変量の影響をより完全に把握することができ、コストデータの歪度と不均一性に自然に適応します。この方法は、ランダム誤差または共変量の尤度関数を指定する必要がないという意味で、セミパラメトリックです。広範なシミュレーションを介して、加重分位回帰手順と修正されたBICを調査します。ヘルスケアコスト調査の実際のデータセットを分析することにより、アプリケーションを説明します。

Analysis of health care cost data is often complicated by a high level of skewness, heteroscedastic variances and the presence of missing data. Most of the existing literature on cost data analysis have been focused on modeling the conditional mean. In this paper, we study a weighted quantile regression approach for estimating the conditional quantiles health care cost data with missing covariates. The weighted quantile regression estimator is consistent, unlike the naive estimator, and asymptotically normal. Furthermore, we propose a modified BIC for variable selection in quantile regression when the covariates are missing at random. The quantile regression framework allows us to obtain a more complete picture of the effects of the covariates on the health care cost and is naturally adapted to the skewness and heterogeneity of the cost data. The method is semiparametric in the sense that it does not require to specify the likelihood function for the random error or the covariates. We investigate the weighted quantile regression procedure and the modified BIC via extensive simulations. We illustrate the application by analyzing a real data set from a health care cost study.