보건계량경제학

보건경제학에서 이것이 중요한 이유

보건 책임자가 내리는 거의 모든 결정은 인과 주장에 기대고 있습니다. 이 약은 사망률을 낮춘다, 저 의원은 입원을 줄였다, 이 지불 개혁은 대기 시간을 단축했다. 주장은 말하기 쉽고 얻어 내기는 어렵습니다. 두 환자 집단은 성과에서 차이가 나지만, 누군가 개입하기 전에도 이미 달랐습니다. 더 아픈 사람이 더 많은 진료를 찾고, 더 부유한 지역이 새 프로그램을 먼저 채택하며, 의욕 있는 의원이 시범 사업에 자원합니다. 핵심 문제는 치료받은 집단이 치료받지 않았다면 어떻게 되었을지를 우리가 결코 관찰하지 못한다는 것입니다. 이 주제의 모든 것은 그 빠진 비교를 정직하게 근사하는 일에 관한 것입니다.

걸려 있는 것은 공적 자금과 생명입니다. 확신에 차 있지만 틀린 인과 주장은 예산을 아무 효과도 없는 개입으로 보내거나, 조용히 생명을 구하던 개입을 철회하게 합니다. 두 실수 모두 화폐가 아니라 성과로 대가를 치릅니다. 국가 지불자가 한 지역의 평가에 근거해 프로그램을 전국으로 확대하기로 결정할 때, 그 평가의 인과 추론의 질은 성공을 확대하느냐 환상을 확대하느냐의 차이입니다. 책임자가 직접 분석을 수행하는 경우는 드물지만, 그것을 의뢰하고, 재원을 대고, 그에 따라 행동하므로, 평가하는 기술은 그들이 소유해야 합니다.

이 주제는 일부러 통계학 교과서가 아닙니다(이 책의 범위 경계 참조). 추정량을 유도하지도, 소프트웨어를 추천하지도 않습니다. 이 주제의 임무는 각 방법이 무엇을 위한 것인지, 인과 주장이 언제 신뢰할 만한지, 그리고 정교한 모형에 속지도 좋은 근거를 묵살하지도 않도록 계량경제학적 작업을 어떻게 의뢰하고 평가하는지 알려 주는 것입니다. 분석이 자료를 넘어 외삽하는 의사결정 분석 모형에 투입되는 경우, 그 장치는 주제 2.2 — 모델링에 속합니다. 여기서는 추정치 자체와 그것이 인과적인지에 머무릅니다.

핵심 개념

보건계량경제학은 관계를 측정하고, 무엇보다 인과 추론, 곧 한 가지의 변화가 다른 한 가지의 변화와 단지 함께 움직이는 것이 아니라 그것을 일으킨다는 점을 확립하려는 시도를 뒷받침하기 위해 보건 및 의료 자료에 통계 방법을 적용하는 것입니다. 이 학문이 존재하는 것은 보건 자료에서 상관이 흔하고 오해를 부르기 때문이며, 문제를 결판낼 깨끗한 실험이 불가능하거나, 비윤리적이거나, 감당할 수 없는 경우가 많기 때문입니다.

중심 장애물은 교란입니다. 누가 개입을 받는지와 그들이 어떤 성과를 겪는지 둘 모두에 영향을 미쳐 인과적이지 않은 연관성을 만드는 제3의 요인입니다. 새 항응고제를 복용하는 환자가 옛 약을 복용하는 환자보다 출혈이 적을 수 있는데, 약이 더 안전해서가 아니라 신중한 처방자가 위험이 낮은 환자에게 처방했기 때문일 수 있습니다. 나이, 결핍 수준, 질병 중증도, 임상의의 판단은 보건 자료에서 끈질긴 교란 요인이며, 측정할 수 있는 요인은 가장 중요한 요인이 아닌 경우가 많습니다.

이와 밀접하게 관련된 것이 선택 편향입니다. 치료군과 비교군의 사람들은 자기 선택, 임상적 분류, 지역, 행정적 자격 등 그 자체가 성과와 관련된 과정을 거쳐 그 집단에 분류되었습니다. 디지털에 자신 있는 사람들이 이용하는 원격의료 서비스는 이용자가 애초에 더 건강하고 더 체계적이었기 때문에 부분적으로 좋은 결과를 보일 것입니다. 선택은 자료에서 털어 낼 성가심이 아닙니다. 흔히 이야기의 전부이며, 방법의 임무는 그것을 무력화하는 것입니다.

이를 위한 최고 표준은 참여자를 우연에 따라 치료군이나 대조군에 배정하는 무작위 대조 시험(RCT)입니다. 무작위 배정이 작동하는 것은 평균적으로 여러분이 생각한 교란 요인과 생각하지 못한 교란 요인을 모두 균형 잡아 주므로, 성과의 어떤 차이든 개입으로 돌릴 수 있기 때문입니다. 시험을 보호하는 규율, 곧 환자를 무작위로 배정된 집단에서 분석하는 의도 치료 분석과 성과의 사전 등록은 선택 문제가 옆문으로 다시 기어들어 오는 것을 막기 위해 존재합니다.

시험이 언제나 실행 가능한 것은 아니므로, 보건계량경제학의 상당 부분은 관찰 자료로 작업하며 자연 실험, 곧 참여자의 통제 밖에 있는 무언가(정책 시행, 자격 규칙, 추첨, 갑작스러운 가격 변화)가 무작위 배정을 흉내 내는 상황에서 신뢰성을 빌려 옵니다. 네 가지 준실험 설계가 반복해서 나타납니다.

• 이중차분법은 개입에 노출된 집단의 성과 변화를 같은 기간 노출되지 않은 비교 집단의 변화와 견줍니다. 그 신뢰성은 "평행 추세" 가정, 곧 개입이 없었다면 두 집단의 성과가 보조를 맞추어 움직였으리라는 가정에 달려 있습니다.
• 도구변수 추정은 누가 치료받는지에 영향을 주지만 치료를 통하는 것 외에는 성과에 직접 영향이 없는 변수, 예컨대 의원까지의 거리, 추첨 번호, 무작위로 배정된 검토자를 사용하여 교란이 없는 치료의 변이를 분리해 냅니다. 유효한 도구변수는 찾기가 정말 어렵고 완전히 시험하는 것은 불가능합니다.
• 회귀 불연속은 위험 점수, 나이, 소득 기준선처럼 자격을 결정하는 뚜렷한 임계점을 활용합니다. 선 바로 위와 바로 아래의 사람들은 개입에 대한 접근 여부를 제외하면 사실상 동일하므로, 이들을 비교하면 국지적 실험을 근사하게 됩니다.
• 패널 자료 방법은 같은 단위(환자, 병원, 지역)를 시간에 걸쳐 추적하여, 분석가가 단위에 대해 결코 변하지 않는 안정적인 모든 것을 통제하게 하고, 단일 횡단면으로는 제거할 수 없는 큰 부류의 교란 요인을 제거합니다.

마지막으로 결측 자료가 이 모든 것 밑에 깔려 있습니다. 환자가 이탈하고, 기록이 불완전하며, 결정적으로 자료가 빠진 이유가 성과와 관련된 경우가 많아서, 불완전한 기록을 버리면 선택 편향이 조용히 다시 들어옵니다. 결측을 어떻게 처리했는지는 어떤 연구에든 가장 먼저 물어야 할 질문 중 하나입니다.

모범 사례

1. 방법이 아니라 반사실에서 출발하십시오. 누군가 추정량을 고르기 전에 질문을 강제하십시오. 비교는 무엇이며, 그것이 개입이 없었다면 무슨 일이 있었을지 알려 준다고 왜 믿어야 하는가? 모든 결과의 신뢰성은 그 위에 올린 통계의 정교함이 아니라 그 비교에서 나옵니다. 답이 모호하다면 어떤 기법도 그것을 구해 낼 수 없습니다.

2. 자료를 수집한 뒤가 아니라 수집하기 전에 설계를 의뢰하십시오. 가장 강한 인과 주장은 미리 계획된 설계, 곧 무작위 시행, 사전 등록된 분석, 합의된 비교 집단에서 나옵니다. 기존 자료에 방법을 사후적으로 끼워 맞추면 분석가가 마음에 드는 결과가 나올 때까지 계속 찾도록 부추기기 때문입니다. 평가에 재원을 댈 때는 설계 단계에 재원을 대고, 결과가 나오기 전에 서면 분석 계획을 요구하십시오.

3. 윤리적이고 실행 가능한 곳에서는 단계적 시행을 포함해 무작위 배정을 선호하십시오. 프로그램이 모두에게 한꺼번에 도달할 수 없다면, 추첨으로 접근 순서를 배정하거나 어느 사업장이 먼저 시작할지 무작위로 정하십시오. 이렇게 하면 운영상의 제약이 추가 비용 거의 없이 믿을 만한 실험으로 바뀌며, 누구에게든 치료를 거부하는 것보다 흔히 더 방어하기 쉽습니다. 가장 신뢰받는 정책 평가의 상당수는 단지 선택된 것이 아니라 무작위로 배정된 시행입니다.

4. 모든 준실험 설계를 가정의 묶음으로 다루고, 가정을 밝히게 하십시오. 이중차분법은 평행 추세에, 도구변수는 관련성과 외생성을 모두 갖춘 도구에, 회귀 불연속은 사람들이 임계선의 어느 쪽에 놓일지 조작하지 않는다는 점에 흥망이 달려 있습니다. 좋은 분석가는 결과가 의존하는 가정의 이름을 밝히고 그 증거를 보여 주며, 약한 분석가는 이를 숨깁니다. 명시적으로 물으십시오. "이것이 인과적이려면 무엇이 참이어야 하며, 그것이 참임을 어떻게 아는가?"

5. 핵심 추정치만이 아니라 반증 검정을 요구하십시오. 믿을 만한 인과 연구는 자기 주장을 스스로 깨 보려고 합니다. 개입 전 추세가 평행했는지 확인하려고 그려 보고, 아무 변화도 없어야 할 가짜 임계점에서 도약이 있는지 시험하며, 도구변수가 건드려서는 안 되는 성과를 예측하지 않음을 보여 줍니다. 이러한 점검의 존재는 정직한 연구의 신호이며, 그 부재는 효과가 아무리 크고 반가워도 경고입니다.

6. 결측 자료와 이탈이 어떻게 처리되었는지 알도록 고집하십시오. 대상자의 몇 퍼센트가 이탈했는지, 결측자가 관찰된 사람과 다른지, 분석이 그들에 대해 어떤 가정을 했는지 물으십시오. "완전 사례 분석", 곧 빈틈이 있는 사람을 조용히 버리는 것은 깨끗해 보였던 연구에 선택 편향이 다시 들어오는 가장 흔한 방법입니다. 결측 자료가 결과를 어느 방향으로 밀지는 자료 자체를 알 수 없을 때도 알 수 있는 경우가 많습니다.

7. 모형을 보건 자료의 모양에 맞추십시오. 비용은 극소수의 매우 비싼 환자 때문에 한쪽으로 치우쳐 있고, 이용은 음수가 될 수 없는 개수이며, 생존 자료는 추적이 끝나면 중도 절단됩니다. 표준 선형 방법은 이들에 맞지 않아 오해를 부를 수 있으며, 각각을 위한 전문 모형이 있습니다. 수학을 알 필요는 없지만 "이 방법이 비용 자료에 적절한가?"라고 물을 만큼은 알아야 하고, 진짜 답을 기대해야 합니다.

8. 치료받은 사람들에 대한 효과와 확대할 수 있는 효과를 구분하십시오. 많은 준실험 방법은 국지적 효과, 곧 임계점 부근 사람들이나 도구변수가 우연히 움직인 사람들에 대한 영향을 추정하며, 이는 개입을 모두에게 확대했을 때의 효과와 같지 않을 수 있습니다. 65세 전후의 회귀 불연속은 65세 사람들에 대해 알려 줄 뿐 40세 사람들에 대해서는 알려 주지 않습니다. 숫자를 일반화하기 전에 그것이 실제로 누구의 효과인지 물으십시오.

9. 통계적 유의성과 결정과의 관련성을 구별하십시오. 정밀하게 추정된 아주 작은 효과는 통계적으로 유의하지만 경제적으로는 사소할 수 있고, 큰 효과는 불확실하더라도 걸려 있는 것을 고려하면 행동할 가치가 있을 수 있습니다. p값이 문턱을 넘었는지만이 아니라 효과 크기, 신뢰구간, 그리고 그것이 여러분의 예산과 인구 규모에서 무엇을 의미하는지 물으십시오. 결정은 크기와 불확실성이 함께 좌우합니다.

10. 외적 타당도를 내적 타당도만큼 신중하게 판단하십시오. 연구가 자신의 환경에서는 인과에 대해 흠잡을 데 없더라도, 인구 집단, 보건 체계, 기저 위험이 다르다면 여러분에게는 무관할 수 있습니다. 미국 보험 시장에서 통했던 도구변수나 스칸디나비아 등록 자료에서 검증된 설계는 자료와 유인이 다른 저소득 환경으로 옮겨지지 않을 수 있습니다. "이 효과가 실재하는가?"와는 별개의 질문으로 "이 효과가 우리 체계에서도 유지될 것인가?"를 물으십시오.

11. 단일 연구를 신뢰하지 말고 삼각 검증하십시오. 시험, 이중차분법, 도구변수 추정처럼 서로 다른 가정을 가진 여러 방법이 같은 방향을 가리킬 때 확신은 정당하게 얻어지고, 서로 갈릴 때 그 불일치는 어떤 가정이 실패하고 있는지에 대한 정보입니다. 중요할 만큼 큰 결정에는 하나 이상의 근거 줄기를 의뢰하거나 구하고, 홀로 눈에 띄는 결과는 결론이 아니라 가설로 다루십시오.

12. 평가를 글로 쓰고 결정과 함께 보관하십시오. 어떤 인과 주장에 의존했는지, 어떤 설계가 그것을 만들었는지, 어떤 가정에 기대었는지, 무엇이 생각을 바꿀지 기록하십시오. 이는 결과가 나중에 이의 제기를 받을 때 조직을 보호하며, 결과가 알려진 뒤가 아니라 알려지기 전에 불확실성을 밝히는 규율을 강제합니다. 추론이 문서화되지 않은 평가는 도표가 붙은 의견일 뿐입니다.

팀과 논의할 질문

1. 우리가 근거로 정당화한 가장 최근의 큰 결정에서 비교 집단은 무엇이었으며, 그것이 개입이 없었다면 정말 같은 일을 했겠습니까? 이 질문은 대부분의 약한 근거가 숨어 있는 반사실로 곧장 들어갑니다. 핵심 숫자를 넘어 구조로 들어가십시오. 누가 누구와 비교되었고, 어떻게 그 집단으로 분류되었으며, 아무것도 바뀌지 않았다면 치료받은 집단에게 무슨 일이 있었을까? 정직한 긴장은 가장 편리한 비교, 곧 같은 집단의 전후 비교나 자원자 대 비자원자가 대개 가장 교란되어 있고, 개입을 선택했거나 선택된 사람들은 그렇지 않은 사람들과 거의 언제나 다르다는 것입니다. 좋은 논의는 작용하는 구체적인 교란 요인(중증도, 결핍, 의욕, 임상의의 선별)의 이름을 밝히고, 설계가 이를 무력화했는지 그저 무시했는지 묻습니다. 찾아야 할 답은 "연구가 동료 심사를 거쳤다"가 아니라 비교가 믿을 만한 이유에 대한 명확한 설명이거나, 그렇지 않다는 인정, 곧 결정이 근거로 포장된 판단에 기댔다는 인정입니다.

2. 평가를 의뢰할 때, 우리는 설계를 사고 있습니까 아니면 보고서만 사고 있습니까? 대부분의 조직은 평가를 프로그램이 이미 운영되고 있을 때 도착하는 산출물로 조달하며, 그때는 가장 강한 인과 설계가 이미 불가능해진 시점입니다. 긴장은 운영상의 긴급성, 곧 지금 시작하고 나중에 측정한다는 것과 첫 환자를 등록하기 전에 내리는 결정에 달린 근거의 질 사이에 있습니다. 무작위 시행 순서, 합의된 비교 지역, 사전 등록된 성과와 분석 계획 같은 것입니다. 우리의 의뢰 과정이 분석가를 설계를 형성할 만큼 일찍 부르는지, 결과를 합리화할 만큼만 늦게 부르는지 논의하십시오. 정직한 답은 값싼 사후 평가가 거짓 확신을 준다면 없는 것보다 나쁠 수 있다는 점과 마주하고, 계약과 일정이 우리 조직에서 좋은 설계를 구조적으로 가능하게 하는지 불가능하게 하는지 살핍니다.

3. 우리가 행동하기를 거부할 주장은 무엇이며, 어떤 근거가 우리 생각을 바꾸겠습니까? 이 질문은 팀이 근거를 진정한 투입으로 다루는지, 이미 내려진 결정의 장식으로 다루는지 시험합니다. 주장이 충족해야 할 증명의 기준과 우리가 방향을 바꾸게 될 발견을 미리 명시하는 것이 확증 편향과 마음에 드는 결과를 맞이하는 선택적 열광에 대한 가장 강한 방어입니다. 진짜 긴장은 이해관계자가 선호하는 프로그램과 선호하지 않는 프로그램에 같은 증거 기준을 적용하는 경우가 드물다는 것입니다. 사랑받는 사업은 의심의 이익을 받고, 위협적인 사업은 샅샅이 해부됩니다. 정직한 논의는 그러한 이중 잣대가 우리 조직 어디에 있는지 드러내고, 서로 다른 규모의 결정에 대해 "행동하기에 충분히 좋다"가 무엇을 뜻하는지 합의하며, 무엇이 생각을 바꿀지 미리 약속하는 것이 바로 그럴 수 있기 때문에 불편하다는 점을 받아들입니다.

4. 다른 체계에서 눈에 띄는 결과를 빌려 올 때, 우리는 무엇이 함께 옮겨 온다고 가정하고 있습니까? 연구는 자신의 환경에서 인과에 대해 흠잡을 데 없더라도 여전히 여러분을 오도할 수 있습니다. 그 효과를 낳은 인구 집단, 보건 체계, 기저 위험, 유인이 여러분의 것과 전혀 다를 수 있기 때문입니다. 긴장은 가장 인상적인 근거가 대개 다른 곳, 곧 미국 보험 시장, 스칸디나비아 등록 자료, 자원이 풍부한 시험 기관에서 나오며, 그 엄밀성 자체가 그 숫자를 따져 보지 않고 들여오도록 유혹한다는 것입니다. 효과가 재현되려면 우리 인구 집단과 체계에 대해 무엇이 참이어야 하는지 논의하십시오. 기저 위험이 비슷한가, 우리 인력이 개입이 전제한 역량을 갖추었는가, 우리 환자들이 같은 제약에 직면하는가? 정직한 답은 외적 타당도를 내적 타당도와 별개의 질문으로 다루고, 먼 연구라는 이유만으로 할인하려는 반사적 충동에 저항하며, 원래 환경의 어떤 특징이 일을 하고 있는지 밝힙니다. 최악의 결과는 그곳에서는 실재하고 이곳에서는 없던 효과를 확대한 뒤, 옮겨 심은 것이 아니라 개입을 탓하는 것입니다.

5. 우리 자료의 얼마가 결측이며, 그 빈틈이 무해하다고 확신합니까? 모든 실제 보건 자료 집합에는 구멍이 있습니다. 환자가 이탈하고, 기록이 불완전하며, 추적이 끝납니다. 위험한 경우는 자료가 빠진 이유가 그 자체로 성과와 관련되어, 불완전한 기록을 버리면 깨끗해 보였던 연구에 선택 편향을 조용히 몰래 되돌려 놓는 경우입니다. 긴장은 대부분의 도구에서 기본값이고 결과를 얻는 가장 빠른 길인 "완전 사례" 분석의 편의와, 사라진 사람들이 남은 사람들과 체계적으로 다른지 묻는 정직함 사이에 있습니다. 대상자의 몇 퍼센트가 이탈했는지, 결측자가 관찰된 사람들보다 더 아프거나, 더 가난하거나, 덜 참여적으로 보이는지, 분석이 그들에 대해 무엇을 가정했는지 논의하십시오. 좋은 답은 값 자체를 복원할 수 없을 때도 결측 자료가 추정치를 어느 방향으로 밀지 말할 수 있는 경우가 많으며, 높거나 설명되지 않는 이탈률을 각주가 아니라 주장 전체에 대한 위협으로 다룹니다. 이름 붙여야 할 실패는 생존자를 마치 전체 인구 집단인 것처럼 보고하는 팀입니다.

6. 우리는 단일 연구에 근거해 행동하는 일이 있으며, 무엇이 우리를 두 번째 근거 줄기를 기다리게 하겠습니까? 인과 주장에 대한 확신은 아무리 잘 수행되었더라도 하나의 눈에 띄는 결과가 아니라, 서로 다른 방식으로 실패하는 방법들, 곧 시험, 이중차분법, 도구변수 추정이 같은 방향을 가리키는 합의에서 나와야 합니다. 긴장은 삼각 검증에 조직이 쓰고 싶어 하지 않는 시간과 돈이 들고, 홀로 인상적인 발견이 두 번째 줄기를 의뢰하기 전에 행동하라는 압력을 만든다는 것입니다. 어떤 결정이 하나 이상의 근거 줄기를 요구할 만큼 큰지, 방법들이 불일치할 때 어떻게 하는지 논의하십시오. 불일치는 평균을 내어 없애야 할 잡음이 아니라 어떤 가정이 실패하고 있는지에 대한 정보이기 때문입니다. 정직한 답은 시험해 볼 가치가 있는 가설과 행동할 가치가 있는 결론을 구별하고, 단일 평가가 단지 먼저 도착했고 사람들이 바라던 말을 했다는 이유로 확정된 사실이 되어 버리는 흐름에 저항합니다.

실무 사례: 보건경제학의 한 예

중부 유럽의 사회보험 제도를 가진 가상의 상위 중소득 국가인 솔베니아(Solvenia)의 보건부는 퇴원 후 환자를 모니터링하는 간호사 주도 의원인 새 지역사회 심부전 프로그램이 비싼 응급 재입원을 줄이는지 알고 싶어 합니다. 열두 개 지역이 이미 이를 채택했고, 여덟 개는 채택하지 않았습니다. 초기 내부 보고서는 채택한 지역과 채택하지 않은 지역의 재입원율을 비교하여 채택 지역이 18% 낮다는 것을 발견하고 전국 확대를 권고했습니다. 수억 코루나가 투입되기 전에 그 주장을 점검해 달라는 요청을 부처의 보건경제학자가 받습니다.

그녀의 첫 질문은 반사실입니다. 채택 지역은 무작위로 선택되지 않았습니다. 이들은 더 부유했고, 1차 의료가 더 잘 조직되어 있었으며, 프로그램이 시작되기 전에도 재입원율이 더 낮았습니다. 따라서 단순 비교는 프로그램의 효과를, 채택할 수 있었던 지역의 기존 이점과 뒤섞습니다. 교과서적인 선택 문제입니다. 채택 지역 대 비채택 지역의 단순 차이는 둘을 분리할 수 없으며, 18%라는 수치는 인과 효과로 해석할 수 없습니다.

그녀는 대신 이중차분법 설계를 제안하며, 각 지역의 채택 시점 전후 수년간의 지역별 재입원 자료를 사용합니다. 이는 채택 지역의 재입원 변화를 비채택 지역의 변화와 비교하여, 고정된 지역적 이점을 차분으로 제거합니다. 결정적으로, 그녀는 먼저 채택 전 추세를 그려 봅니다. 채택 지역이 프로그램 이전에 이미 비채택 지역보다 더 빠르게 개선되고 있었다면 평행 추세 가정이 실패하고 설계는 무효입니다. 추세는 비슷하지만 똑같지는 않으므로, 그녀는 그 단서를 묻어 두지 않고 눈에 보이게 하여 추정치를 보고합니다.

채택 시점이 지역마다 달랐으므로, 그녀는 패널 구조도 활용하여 각 지역에 대해 안정적인 모든 것과, 모든 지역을 한꺼번에 강타한 나쁜 독감 겨울 같은 전국적 충격을 통제합니다. 이중차분 추정치는 재입원이 7% 감소한 것으로 나옵니다. 실재하며 가질 만한 가치가 있지만, 핵심 수치의 절반에도 한참 못 미칩니다. 원래 18%의 대부분이 프로그램이 아니라 지역의 기존 이점이었기 때문입니다. 그런 다음 그녀는 결측 자료를 점검합니다. 두 지역은 전환 연도에 코딩이 불완전했으며, 그녀는 그 지역-연도를 포함하든 제외하든 결과가 유지됨을 보여 줍니다.

그녀는 추정치가 무엇이고 무엇이 아닌지 솔직합니다. 이것은 간호사 주도 의원을 운영할 1차 의료 역량이 있는 지역에서의 평균 효과입니다. 채택하지 않은 여덟 개 지역은 더 가난하고 인력이 더 얇으므로, 그곳의 효과는 더 작거나 모형이 가격을 매기지 않는 투자가 필요할 수 있습니다. 이는 외적 타당도의 문제이며, 그녀는 7%가 그대로 옮겨 갈 것이라고 가정하지 않고 이를 명시적으로 짚습니다. 부처에 대한 그녀의 권고는 "전국 확대"도 "포기"도 아니라, "1차 의료 역량이 있는 곳에 재원을 대고, 나머지 지역에서는 시행 순서를 무작위로 정하여 다음 평가가 이번 평가가 결판낼 수 없는 이전 가능성 질문을 결판낼 수 있게 하라"입니다. 7% 감소의 비용효과는 이어서 인과 추정치를 지불자가 행동할 수 있는 성과당 비용으로 바꾸는 의사결정 모형(주제 2.2 — 모델링)에 넘겨집니다.

네 가지 부문별 관점

스타트업

디지털 헬스 스타트업은 대개 보건계량경제학을 구매자나 규제 당국의 근거 요구로 만납니다. 참여하는 사용자만 잘 지내는 것이 아니라 앱이 실제로 성과를 바꾼다는 것을 입증하라는 것입니다. 유혹은 열성적인 초기 이용자에 대한 전후 도표이며, 이는 거의 순수한 선택 편향입니다. 그 사용자들은 어차피 개선되었을 것입니다. 믿을 만하고 감당할 수 있는 방법은 출시 전에 설계한 소규모 무작위 시범 사업이나 사업장에 걸친 단계적 시행으로, 제품의 효과를 그것을 선택한 사람들의 의욕과 분리하는 것입니다. 첫 배치에 깨끗한 비교를 내장한 창업자는 나중에 돋보이는 분석을 끼워 맞추는 창업자보다 지불자에게 훨씬 더 큰 무게를 갖습니다.

소규모 사업체

그룹 개원, 단일 의원, 지역 약국, 소규모 기기 공급업체처럼 자리 잡은 소규모 공급자는 실제 운영 자료를 가지고 있지만 자체 준실험 연구를 수행할 물량도 분석 팀도 없고, 무작위 배정의 기준이 될 출시 시점도 없습니다. 이들의 계량경제학적 과제는 대부분 평가입니다. 제조사, 위탁자, 전문직 단체가 내놓는 근거를 읽고, 주장된 효과가 자신과 같은 환자 명단에서도 유지될지 판단하는 것입니다. 가장 안정적인 방법은 자신이 조달할 수 없는 인과 분석을 시도하기보다 외적 타당도 질문을 강하게 던지는 것입니다. 이것이 내 것과 닮은 인구 집단, 인력 수준, 체계에서 보여졌는가? 이들이 근거를 직접 만든다면, 자체 사업장이나 임상의에 걸친 단계적 변화, 또는 비슷한 이웃 의원과 정직하게 견준 단순한 전후 비교가 돋보이는 내부 도표보다 더 믿을 만합니다. 지불자의 근거 기준을 쫓는 스타트업과 달리, 이들의 유인은 연구와 결코 맞지 않았던 환자 명단에서 부족한 시간과 돈을 조용히 낭비하는 무언가를 채택하는 것을 피하는 것입니다.

대기업

대형 공급자나 보험자는 청구, 기록, 등록 자료 같은 풍부한 종단 자료 위에 앉아 있으며, 그 이점은 대규모로 패널 및 준실험 분석을 수행할 수 있다는 것입니다. 위험은 자료의 양을 인과적 명확성으로 착각하는 것입니다. 교란된 기록 백만 건으로도 사례 관리 프로그램이 효과가 있었는지 알 수 없으며, 자원이 풍부한 분석 팀은 선택 편향을 겉보기 효과로 세탁하는 정교한 모형을 만들어 낼 수 있습니다. 성숙한 대기업은 내부 성과 보고와 인과 평가를 분리하고, 둘에 서로 다른 기준을 적용하며, 일상적 변화가 단지 대시보드가 아니라 신뢰할 만한 근거를 낳도록 자체 운영 시행에 무작위 또는 단계적 설계를 내장합니다.

정부

부처나 국가 지불자는 프로그램을 전국으로 확대할지, 급여를 지원하거나 철회할지처럼 가장 중대한 인과 결정을 내리며, 흔히 자격 기준선, 단계적 시행, 지역 시범 사업처럼 자연 실험을 만드는 정책 수단을 가지고 있습니다. 정부의 규율은 그러한 시행을 처음부터 평가로 설계하여, 불가피한 단계적 시행이 해석할 수 없는 비교가 아니라 이중차분이나 회귀 불연속을 낳게 하는 것이어야 합니다. 정부는 다른 부문이 지지 않는 의무도 집니다. 선호하는 프로그램은 검증을 피하고 위협적인 발견은 반박당하는 정치적 비대칭을 막기 위해, 평가 기준을 미리 약속하고 결과가 정책에 유리하든 아니든 공표하는 것입니다.

흔한 실패 유형

• 상관과 인과를 혼동하기. 왜 치료받았는지 다루지 않은 채 치료받은 환자가 더 잘 지냈다고 보고하는 것. 해결책: 반사실에서 출발하고, 어떤 차이든 해석하기 전에 교란 요인의 이름을 밝히십시오.
• 성과에 따라 선택하기. 자원자와 비자원자, 완료자와 이탈자, 채택자와 비채택자를 집단이 교환 가능한 것처럼 비교하는 것. 해결책: 사람들이 집단으로 분류된 방식을 다루는 설계(무작위 배정, 이중차분법, 도구변수, 회귀 불연속)를 사용하십시오.
• 조용한 완전 사례 분석. 결측 자료가 있는 모든 사람을 버리고 나머지를 전체인 것처럼 보고하는 것. 해결책: 결측의 정도와 양상을 보고하고, 결론이 그에 대한 다른 가정에서도 유지되는지 시험하십시오.
• 시험하지 않고 가정하기. 평행 추세를 확인하지 않은 이중차분이나 외생성을 논증하지 않은 도구변수를 제시하는 것. 해결책: 반증 검정을 요구하고 그 부재를 결함으로 취급하십시오.
• 국지적 효과를 일반화하기. 임계점 기반이나 도구변수 기반 추정치를 그것이 결코 설명하지 않은 인구 집단에 적용하는 것. 해결책: 숫자가 누구의 효과인지 밝히고, 외적 타당도를 내적 타당도와 별개로 평가하십시오.
• 통계적 유의성 연극. p값을 결정으로 취급하고 효과 크기와 불확실성을 무시하는 것. 해결책: 실제 예산과 인구 집단에 비추어 짜인 크기와 신뢰구간을 요구하십시오.
• 분석을 사후에 끼워 맞추기. 마음에 드는 결과가 나올 때까지 기존 자료 집합을 뒤진 뒤 미리 계획된 것처럼 제시하는 것. 해결책: 자료를 보기 전에 설계와 분석 계획을 사전 등록하십시오.

성숙도 모델

체크리스트

• 반사실을 밝힌다. 비교 집단은 무엇이며, 그것이 개입이 없었다면 치료군이 했을 일을 보여 주리라고 보는 이유는 무엇인가?
• 있을 법한 교란 요인과 선택 메커니즘을 식별하고, 이를 다루는 설계의 이름을 밝힌다.
• 설계가 자료를 수집하기 전에 서면 분석 계획과 함께 계획되었음을 확인한다.
• 선택한 방법에 대해 핵심 가정(평행 추세, 도구변수의 외생성, 임계점 조작 없음)의 이름을 밝히고 그 증거를 점검한다.
• 핵심 추정치만이 아니라 반증 검정을 요구한다.
• 자료가 얼마나 결측이었는지, 결측자가 관찰된 사람과 다른지, 결측이 어떻게 처리되었는지 묻는다.
• 모형이 자료의 모양(치우친 비용, 개수, 중도 절단된 생존)에 맞는지 점검한다.
• 일반화하기 전에 추정치가 누구의 효과인지(국지적인지 일반적인지) 규명한다.
• p값만이 아니라 여러분의 예산과 인구 집단에 비추어 효과 크기와 신뢰구간을 읽는다.
• 외적 타당도, 곧 이것이 우리 체계에서 유지될 것인가를 내적 타당도와 별개로 평가한다.
• 중요할 만큼 큰 결정에는 두 번째 근거 줄기를 구한다.
• 인과 주장, 설계, 핵심 가정, 무엇이 생각을 바꿀지 기록한다.

Key sources

• Andrew Jones, "Health Econometrics" — in Culyer & Newhouse (eds.), Handbook of Health Economics — the standard survey of methods for health data and their pitfalls.
• Jeffrey Wooldridge, Econometric Analysis of Cross Section and Panel Data — the reference text for panel and quasi-experimental methods.
• Joshua Angrist & Jörn-Steffen Pischke, Mostly Harmless Econometrics — an accessible treatment of causal inference, natural experiments, and the four quasi-experimental designs.
• CONSORT Statement — reporting standards for randomised controlled trials, useful as an appraisal checklist.
• Economics Network, Health Economics for Teachers — econometrics module — https://economicsnetwork.ac.uk/health/teachers
• OECD, Health at a Glance, and WHO health-systems publications — sources of the routine health data on which much health econometrics is practised.

References

1. Econometrics — Wikipedia — https://en.wikipedia.org/wiki/Econometrics
2. Causal inference — Wikipedia — https://en.wikipedia.org/wiki/Causal_inference
3. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
4. Selection bias — Wikipedia — https://en.wikipedia.org/wiki/Selection_bias
5. Randomized controlled trial — Wikipedia — https://en.wikipedia.org/wiki/Randomized_controlled_trial
6. Intention-to-treat analysis — Wikipedia — https://en.wikipedia.org/wiki/Intention-to-treat_analysis
7. Natural experiment — Wikipedia — https://en.wikipedia.org/wiki/Natural_experiment
8. Difference in differences — Wikipedia — https://en.wikipedia.org/wiki/Difference_in_differences
9. Instrumental variables estimation — Wikipedia — https://en.wikipedia.org/wiki/Instrumental_variables_estimation
10. Regression discontinuity design — Wikipedia — https://en.wikipedia.org/wiki/Regression_discontinuity_design
11. Panel data — Wikipedia — https://en.wikipedia.org/wiki/Panel_data
12. Missing data — Wikipedia — https://en.wikipedia.org/wiki/Missing_data
13. Economics Network — Health Economics for Teachers — https://economicsnetwork.ac.uk/health/teachers
14. Health economics — Wikipedia — https://en.wikipedia.org/wiki/Health_economics