صحت اکنامیٹرکس

یہ صحت کی معاشیات میں کیوں اہم ہے

تقریباً ہر فیصلہ جو ایک صحت رہنما کرتا ہے ایک سببی دعوے پر ٹکا ہے: یہ دوا اموات کم کرتی ہے، اس کلینک نے داخلے کم کیے، اس ادائیگی اصلاح نے انتظار کے اوقات کاٹے۔ دعویٰ بیان کرنا آسان اور کمانا مشکل ہے۔ دو مریض گروہ نتیجے میں مختلف ہیں، لیکن وہ کسی کے مداخلت کرنے سے پہلے بھی مختلف تھے — بیمار تر لوگ زیادہ نگہداشت طلب کرتے ہیں، امیر تر خطے نئے پروگرام پہلے اپناتے ہیں، متحرک کلینک پائلٹس کے لیے رضاکارانہ طور پر آگے آتے ہیں۔ بنیادی مسئلہ یہ ہے کہ ہم کبھی نہیں مشاہدہ کرتے کہ علاج شدہ گروہ کے ساتھ کیا ہوتا اگر یہ غیر-علاج شدہ رہتا۔ اس موضوع میں سب کچھ اس گمشدہ موازنے کو دیانتداری سے قریب کرنے کے بارے میں ہے۔

داؤ پر لگا مسئلہ عوامی پیسہ اور جانیں ہیں۔ ایک پراعتماد لیکن غلط سببی دعویٰ بجٹ کو ایسی مداخلت کی طرف بھیجتا ہے جو کچھ نہیں کرتی، یا ایسی کو واپس لیتا ہے جو خاموشی سے جانیں بچا رہی تھی؛ دونوں غلطیوں کی قیمت نتائج میں ادا کی جاتی ہے، صرف کرنسی میں نہیں۔ جب ایک قومی پیئر ایک علاقائی تشخیص کی طاقت پر ایک پروگرام کو قومی سطح پر رول آؤٹ کرنے کا فیصلہ کرتا ہے، اس تشخیص کے سببی استدلال کا معیار ایک کامیابی کو اسکیل کرنے اور ایک وہم کو اسکیل کرنے کے درمیان فرق ہے۔ رہنما شاذ و نادر ہی خود تجزیہ چلاتے ہیں، لیکن وہ اسے تفویض کرتے ہیں، مالی معاونت دیتے ہیں، اور اس پر عمل کرتے ہیں — جس کا مطلب ہے کہ تشخیصی مہارت ان کی ملکیت ہے۔

یہ موضوع جان بوجھ کر ایک شماریات کی نصابی کتاب نہیں ہے (کتاب کی دائرہ کار حدود دیکھیں)۔ یہ کوئی تخمینہ کار اخذ نہیں کرے گا یا سافٹ ویئر تجویز نہیں کرے گا۔ اس کا کام آپ کو بتانا ہے کہ ہر طریقہ کس کے لیے ہے، ایک سببی دعویٰ کب آپ کے اعتماد کا مستحق ہے، اور اکنامیٹرک کام کو تفویض اور جانچنے کا طریقہ تاکہ آپ نہ تو نفیس ماڈل سے دھوکہ کھائیں نہ اچھے شواہد کو مسترد کریں۔ جہاں تجزیہ ایک فیصلہ-تجزیاتی ماڈل کو کھلاتا ہے جو ڈیٹا سے آگے پھیلتا ہے، وہ مشینری موضوع 2.2 — ماڈلنگ سے تعلق رکھتی ہے؛ یہاں ہم تخمینے پر ہی رہتے ہیں اور آیا یہ سببی ہے۔

بنیادی تصورات

صحت اکنامیٹرکس صحت اور صحت کی دیکھ بھال کے ڈیٹا پر شماریاتی طریقوں کا اطلاق ہے تعلقات کو ناپنے کے لیے اور، سب سے بڑھ کر، سببی استدلال کی حمایت کرنے کے لیے — یہ ثابت کرنے کی کوشش کہ ایک چیز میں تبدیلی دوسری میں تبدیلی کا سبب بنتی ہے، صرف اس کے ساتھ حرکت کرنے کے بجائے۔ یہ نظم و ضبط اس لیے موجود ہے کیونکہ صحت کے ڈیٹا میں ہم آہنگی وافر اور گمراہ کن ہے، اور کیونکہ صاف تجربہ جو سوال طے کرے گا اکثر ناممکن، غیر اخلاقی، یا ناقابلِ برداشت ہوتا ہے۔

مرکزی رکاوٹ الجھاؤ ہے: ایک تیسرا عامل جو یہ متاثر کرتا ہے کہ کون مداخلت وصول کرتا ہے اور وہ کیا نتیجہ محسوس کرتے ہیں، ایک ایسا تعلق پیدا کرتا ہوا جو سببی نہیں ہے۔ ایک نئے اینٹی کوایگولنٹ پر مریض پرانے پر موجود مریضوں سے کم خون بہا سکتے ہیں اس لیے نہیں کہ دوا محفوظ تر ہے بلکہ اس لیے کہ محتاط تجویز کنندگان نے اسے کم-خطرہ مریضوں کو دیا۔ عمر، محرومی، بیماری کی شدت، اور معالج کا فیصلہ صحت کے ڈیٹا میں بے رحم مبہم عوامل ہیں، اور جنہیں آپ ناپ سکتے ہیں وہ شاذ و نادر ہی سب سے اہم ہوتے ہیں۔

قریب سے متعلقہ انتخاب کا تعصب ہے: آپ کے علاج شدہ اور موازنہ گروہوں میں لوگ انہیں ایک عمل سے ترتیب دیے گئے تھے — خود-انتخاب، طبی ٹریاج، جغرافیہ، انتظامی اہلیت — جو خود نتیجے سے متعلق ہے۔ ایک ٹیلی ہیلتھ خدمت جسے ڈیجیٹل طور پر پراعتماد استعمال کرتے ہیں جزوی طور پر اچھے نتائج دکھائے گی کیونکہ اس کے صارفین شروع سے زیادہ صحت مند اور بہتر منظم تھے۔ انتخاب ایک تکلیف نہیں ہے جسے ڈیٹا سے صاف کرنا ہے؛ یہ اکثر پوری کہانی ہے، اور طریقے کا کام اسے بے اثر کرنا ہے۔

اسے کرنے کا سنہری معیار بے ترتیب کنٹرول شدہ اُزمائش (RCT) ہے، جس میں شرکاء کو موقع سے علاج یا کنٹرول میں مختص کیا جاتا ہے۔ بے ترتیبی کام کرتی ہے کیونکہ، اوسطاً، یہ ان مبہم عوامل کو متوازن کرتی ہے جنہیں آپ نے سوچا اور جنہیں نہیں سوچا، تو نتیجے میں کوئی بھی فرق مداخلت سے منسوب کیا جا سکتا ہے۔ وہ نظم و ضبط جو اُزمائش کی حفاظت کرتے ہیں — مریضوں کو اس گروہ میں تجزیہ کرنا جس میں انہیں بے ترتیب کیا گیا تھا، جسے ارادہ-سے-علاج تجزیہ کہا جاتا ہے، اور نتیجے کو پیشگی-رجسٹر کرنا — موجود ہیں انتخاب کے مسئلے کو پس دروازے سے رینگنے سے روکنے کے لیے۔

اُزمائشیں ہمیشہ قابل عمل نہیں ہوتیں، تو صحت اکنامیٹرکس کا بہت سا حصہ مشاہداتی ڈیٹا کے ساتھ کام کرتا ہے اور ایک فطری تجربے سے ساکھ مستعار لیتا ہے — ایک صورتحال جہاں شرکاء کے کنٹرول سے باہر کچھ (ایک پالیسی رول آؤٹ، ایک اہلیت کا قاعدہ، ایک لاٹری، ایک اچانک قیمت کی تبدیلی) بے ترتیب مختصی کی نقل کرتی ہے۔ چار شبہ-تجرباتی ڈیزائن بار بار آتے ہیں:

• ڈفرنس-ان-ڈفرنسز مداخلت کے سامنے آئے ایک گروہ کے نتائج میں تبدیلی کا موازنہ اسی مدت میں غیر-سامنے آئے موازنہ گروہ کی تبدیلی سے کرتی ہے۔ اس کی ساکھ "متوازی رجحانات" کے مفروضے پر ٹکی ہے: کہ، مداخلت کی عدم موجودگی میں، دونوں گروہوں کے نتائج قدم بہ قدم حرکت کرتے۔
• آلاتی متغیرات تخمینہ ایک ایسے متغیر کا استعمال کرتا ہے جو یہ متاثر کرتا ہے کہ کس کا علاج ہوتا ہے لیکن نتیجے پر کوئی براہِ راست اثر نہیں رکھتا سوائے علاج کے ذریعے — کلینک سے فاصلہ، ایک لاٹری نمبر، بے ترتیبی سے مقرر ایک جائزہ کار — علاج میں تغیر کو الگ کرنے کے لیے جو الجھاؤ سے پاک ہے۔ ایک درست آلہ تلاش کرنا واقعی مشکل اور مکمل طور پر جانچنا ناممکن ہے۔
• رگریشن ڈسکنٹینیویٹی ایک تیز حد کا استحصال کرتی ہے — ایک خطرے کا سکور، ایک عمر، ایک آمدنی کی کٹ-آف — جو اہلیت طے کرتی ہے۔ لکیر کے بالکل اوپر اور بالکل نیچے والے لوگ مداخلت تک رسائی کے سوا عملی طور پر ایک جیسے ہیں، تو انہیں موازنہ کرنا ایک مقامی تجربے کے قریب پہنچتا ہے۔
• پینل ڈیٹا طریقے وقت کے ساتھ ایک ہی اکائیوں (مریض، ہسپتال، خطے) کی پیروی کرتے ہیں، تجزیہ کار کو ہر اکائی کے بارے میں ہر مستحکم چیز کو کنٹرول کرنے دیتے ہیں جو کبھی نہیں بدلتی، اور اس طرح مبہم عوامل کی ایک بڑی جماعت ہٹاتے ہیں جو ایک واحد کراس-سیکشن نہیں کر سکتا۔

آخر میں، گمشدہ ڈیٹا ان سب کے نیچے بیٹھتا ہے۔ مریض چھوڑ جاتے ہیں، ریکارڈ نامکمل ہیں، اور — اہم طور پر — جس وجہ سے ڈیٹا گمشدہ ہے وہ اکثر نتیجے سے متعلق ہوتی ہے، تو نامکمل ریکارڈ ضائع کرنا خاموشی سے انتخاب کا تعصب دوبارہ متعارف کراتا ہے۔ گمشدگی کو کیسے ہینڈل کیا گیا کسی بھی مطالعے سے پوچھے جانے والے پہلے سوالات میں سے ایک ہے۔

بہترین طریقے

1. کاؤنٹر فیکچوئل سے شروع کریں، طریقے سے نہیں۔ کوئی بھی تخمینہ کار منتخب کرنے سے پہلے، سوال مجبور کریں: موازنہ کیا ہے، اور ہمیں کیوں یقین کرنا چاہیے کہ یہ ہمیں بتاتا ہے کہ مداخلت کے بغیر کیا ہوتا؟ ہر نتیجے کی ساکھ اسی موازنے سے بہتی ہے، اس کے اوپر شماریات کی نفاست سے نہیں۔ اگر جواب مبہم ہے، کوئی تکنیک اسے بچا نہیں سکتی۔

2. ڈیٹا جمع ہونے سے پہلے ڈیزائن تفویض کریں، بعد میں نہیں۔ سب سے مضبوط سببی دعوے پیشگی منصوبہ بند ڈیزائنوں سے آتے ہیں — ایک بے ترتیب رول آؤٹ، ایک پیشگی-رجسٹر تجزیہ، ایک متفقہ موازنہ گروہ — کیونکہ موجودہ ڈیٹا میں ایک طریقہ کو ریٹروفٹ کرنا تجزیہ کار کو تلاش جاری رکھنے کی دعوت دیتا ہے جب تک ایک سنوارنے والا نتیجہ ظاہر نہ ہو۔ جب آپ ایک تشخیص کی مالی معاونت کرتے ہیں، ڈیزائن کے مرحلے کی مالی معاونت کریں اور نتائج موجود ہونے سے پہلے ایک تحریری تجزیاتی منصوبے پر اصرار کریں۔

3. جہاں یہ اخلاقی اور قابل عمل ہو بے ترتیبی کو ترجیح دیں، مرحلہ وار رول آؤٹ سمیت۔ اگر کوئی پروگرام سب تک ایک ساتھ نہیں پہنچ سکتا، رسائی کی ترتیب کو لاٹری سے مختص کریں یا بے ترتیب کریں کہ کون سی سائٹیں پہلے جاتی ہیں۔ یہ ایک آپریٹنگ پابندی کو تھوڑی اضافی لاگت پر ایک قابلِ اعتماد تجربے میں بدل دیتا ہے، اور یہ اکثر کسی کو علاج سے انکار کرنے سے زیادہ قابلِ دفاع ہے۔ سب سے زیادہ قابلِ اعتماد پالیسی تشخیصات میں سے بہت سی محض رول آؤٹس ہیں جنہیں منتخب کرنے کے بجائے بے ترتیب کیا گیا۔

4. ہر شبہ-تجرباتی ڈیزائن کو مفروضوں کے بنڈل کے طور پر لیں، اور انہیں اپنے کا اعلان کرنے پر مجبور کریں۔ ڈفرنس-ان-ڈفرنسز متوازی رجحانات پر جیتی یا مرتی ہے؛ آلاتی متغیرات ایسے آلے پر جو متعلقہ اور خارجی دونوں ہو؛ رگریشن ڈسکنٹینیویٹی لوگوں کے حد کے کس طرف اترتے ہیں اسے ہیرا پھیری نہ کرنے پر۔ ایک اچھا تجزیہ کار اس مفروضے کا نام لیتا ہے جس پر ان کا نتیجہ منحصر ہے اور اس کے لیے شواہد دکھاتا ہے؛ ایک کمزور اسے چھپاتا ہے۔ واضح طور پر پوچھیں، "اس کے سببی ہونے کے لیے کیا سچ ہونا چاہیے، اور آپ کیسے جانتے ہیں یہ ہے؟"

5. جعل سازی ٹیسٹوں کا مطالبہ کریں، صرف اہم تخمینہ نہیں۔ قابلِ اعتماد سببی کام اپنے ہی دعوے کو توڑنے کی کوشش کرتا ہے: مداخلت-سے-پہلے کے رجحانات پلاٹ کرنا یہ چیک کرنے کے لیے کہ وہ متوازی تھے، جعلی حدود پر چھلانگیں جانچنا جہاں کوئی نہیں ہونی چاہیے، آلے کو ایسے نتائج پیشین گوئی نہ کرتے دکھانا جنہیں اسے نہیں چھونا چاہیے۔ ان چیکس کی موجودگی دیانتدار کام کا اشارہ دیتی ہے؛ ان کی غیر موجودگی ایک انتباہ ہے چاہے اثر کتنا ہی بڑا یا خوش آمدید ہو۔

6. اصرار کریں کہ گمشدہ ڈیٹا اور چھوڑنا کیسے ہینڈل کیا گیا معلوم ہو۔ پوچھیں کہ مضامین کا کتنا حصہ کھویا گیا، آیا گمشدہ مشاہدہ شدہ سے مختلف ہیں، اور تجزیے نے ان کے بارے میں کیا مفروضہ لیا۔ "مکمل-کیس تجزیہ" — خاموشی سے کسی خلا والے کو چھوڑنا — سب سے عام طریقہ ہے جس سے انتخاب کا تعصب ایک صاف نظر آنے والے مطالعے میں دوبارہ داخل ہوتا ہے۔ سمت جس میں گمشدہ ڈیٹا نتیجے کو دھکیلے گا اکثر معلوم ہو سکتی ہے حتیٰ کہ جب قدریں نہ ہوں۔

7. ماڈل کو صحت کے ڈیٹا کی شکل سے میل کھلائیں۔ لاگتیں چند بہت مہنگے مریضوں سے ترچھی ہیں، استعمال ایک شمار ہے جو منفی نہیں ہو سکتا، اور بقا کا ڈیٹا سنسر شدہ ہوتا ہے جب پیروی ختم ہوتی ہے۔ معیاری خطی طریقے ان سے غلط میل کھاتے ہیں اور گمراہ کر سکتے ہیں؛ مخصوص ماڈل ہر ایک کے لیے موجود ہیں۔ آپ کو ریاضی جاننے کی ضرورت نہیں، لیکن آپ کو کافی جاننا چاہیے کہ پوچھیں "کیا یہ طریقہ لاگت کے ڈیٹا کے لیے موزوں ہے؟" اور ایک حقیقی جواب کی توقع کریں۔

8. علاج شدہ لوگوں پر اثر کو اس اثر سے الگ کریں جسے آپ اسکیل کر سکتے۔ بہت سے شبہ-تجرباتی طریقے ایک مقامی اثر تخمینہ لگاتے ہیں — حد کے قریب لوگوں پر اثر، یا جن پر ایک آلہ کبھی حرکت دیتا — جو سب کے لیے مداخلت رول آؤٹ کرنے کے اثر کے برابر نہیں ہو سکتا۔ عمر 65 کے ارد گرد ایک رگریشن ڈسکنٹینیویٹی آپ کو 65-سالہ لوگوں کے بارے میں بتاتی ہے، 40-سالہ نہیں۔ کسی عدد کو عام کرنے سے پہلے، پوچھیں کہ یہ اصل میں کس کا اثر ہے۔

9. شماریاتی اہمیت کو فیصلے کی مطابقت سے الگ کریں۔ ایک بالکل تخمینہ لگایا گیا چھوٹا اثر شماریاتی طور پر اہم اور اقتصادی طور پر معمولی ہو سکتا ہے؛ ایک بڑا اثر غیر یقینی ہو سکتا ہے پھر بھی داؤ کو دیکھتے ہوئے عمل کرنے کے قابل۔ اثر کا سائز، اس کا اعتماد کا وقفہ، اور آپ کے بجٹ اور آبادی کے پیمانے پر اس کا مطلب پوچھیں — صرف یہ نہیں کہ آیا p-value نے ایک حد پار کی۔ فیصلہ شدت اور غیر یقینی دونوں پر ٹکتا ہے۔

10. بیرونی درستگی کو اندرونی درستگی جتنی احتیاط سے جانچیں۔ ایک مطالعہ اپنی ترتیب میں سببیت کے بارے میں بے عیب ہو سکتا ہے پھر بھی آپ کے لیے غیر متعلقہ اگر آبادی، صحت کا نظام، یا بنیادی خطرہ مختلف ہو۔ ایک آلہ جو امریکی بیمہ مارکیٹ میں کام کرتا تھا یا ایک اسکینڈینیوین رجسٹری میں تصدیق شدہ ڈیزائن مختلف ڈیٹا اور محرکات والی کم-آمدنی ترتیب میں منتقل نہیں ہو سکتا۔ "کیا یہ اثر میرے نظام میں برقرار رہے گا؟" کو "کیا یہ اثر حقیقی ہے؟" سے الگ سوال کے طور پر پوچھیں۔

11. ایک واحد مطالعے پر بھروسہ کرنے کے بجائے تثلیث کریں۔ جب مختلف مفروضوں والے کئی طریقے — ایک اُزمائش، ایک ڈفرنس-ان-ڈفرنسز، ایک آلاتی-متغیرات تخمینہ — ایک ہی سمت اشارہ کرتے ہیں، اعتماد کمایا جاتا ہے؛ جب وہ منتشر ہوتے ہیں، اختلاف اس بارے میں معلومات ہے کہ کون سے مفروضے ناکام ہو رہے ہیں۔ کسی بھی فیصلے کے لیے جو اہمیت کے لیے کافی بڑا ہو شواہد کی ایک سے زیادہ لائن تفویض یا تلاش کریں، اور ایک تنہا حیران کن نتیجے کو ایک نتیجہ نہیں، ایک مفروضہ سمجھیں۔

12. جائزہ لکھیں اور اسے فیصلے کے ساتھ رکھیں۔ ریکارڈ کریں کہ آپ نے کس سببی دعوے پر بھروسہ کیا، کون سے ڈیزائن نے اسے پیدا کیا، یہ کس مفروضے پر ٹکا تھا، اور آپ کا ذہن کیا بدلے گا۔ یہ تنظیم کی حفاظت کرتا ہے جب نتائج کو بعد میں چیلنج کیا جاتا ہے، اور یہ غیر یقینی بیان کرنے کے نظم و ضبط کو مجبور کرتا ہے نتیجہ معلوم ہونے سے پہلے، بعد میں نہیں۔ ایک تشخیص جس کا استدلال غیر دستاویزی ہے ایک چارٹ والی رائے ہے۔

اپنی ٹیم کے ساتھ گفتگو کے لیے سوالات

1. پچھلے بڑے فیصلے کے لیے جسے ہم نے شواہد سے جواز فراہم کیا، موازنہ گروہ کیا تھا — اور کیا وہ واقعی مداخلت کے بغیر وہی کرتا؟ یہ سوال براہِ راست کاؤنٹر فیکچوئل تک جاتا ہے، جو وہ جگہ ہے جہاں زیادہ تر کمزور شواہد چھپتے ہیں۔ اہم عدد سے ساخت تک دھکیلیں: کس کا کس سے موازنہ کیا گیا، انہیں ان گروہوں میں کیسے ترتیب دیا گیا، اور اگر کچھ نہ بدلا ہوتا تو علاج شدہ گروہ کے ساتھ کیا ہوتا۔ دیانتدار ٹینشنز یہ ہیں کہ سب سے آسان موازنہ — اسی گروہ میں پہلے-اور-بعد، یا رضاکاروں بمقابلہ غیر-رضاکار — عام طور پر سب سے زیادہ مبہم ہوتا ہے، اور یہ کہ جن لوگوں نے مداخلت منتخب کی یا کیے گئے وہ تقریباً ہمیشہ ان سے مختلف ہوتے ہیں جنہوں نے نہیں کیا۔ ایک اچھی بحث کھیل میں مخصوص مبہم عوامل (شدت، محرومی، محرک، معالج کا انتخاب) کا نام لیتی ہے اور پوچھتی ہے کہ آیا ڈیزائن نے انہیں بے اثر کیا یا محض نظر انداز کیا۔ جو جواب آپ تلاش کر رہے ہیں وہ "مطالعے کا ہم مرتبہ جائزہ ہوا" نہیں بلکہ ایک واضح بیان ہے کہ موازنہ قابلِ اعتماد کیوں ہے — یا یہ اعتراف کہ یہ نہیں ہے، اور فیصلہ شواہد کے بھیس میں فیصلے پر ٹکا تھا۔

2. جب ہم ایک تشخیص تفویض کرتے ہیں، کیا ہم ایک ڈیزائن خرید رہے ہیں یا صرف ایک رپورٹ؟ زیادہ تر تنظیمیں تشخیص کو ایک قابلِ پیشکش کے طور پر حاصل کرتی ہیں جو پروگرام چلنے کے بعد آتی ہے، جو بالکل وہی وقت ہے جب سب سے مضبوط سببی ڈیزائن پہلے ہی ناممکن ہو چکے ہیں۔ ٹینشن آپریٹنگ فوریت — ابھی لانچ کریں، بعد میں ناپیں — اور شواہد کے معیار کے درمیان ہے، جو ان فیصلوں پر منحصر ہے جو پہلے مریض کے اندراج سے پہلے کیے جاتے ہیں: ایک بے ترتیب رول آؤٹ ترتیب، ایک متفقہ موازنہ خطہ، ایک پیشگی-رجسٹر نتیجہ اور تجزیاتی منصوبہ۔ بحث کریں کہ آیا آپ کا کمیشننگ عمل تجزیہ کاروں کو ڈیزائن تشکیل دینے کے لیے کافی جلد مدعو کرتا ہے، یا صرف اتنی دیر سے کہ نتیجے کا جواز فراہم کیا جا سکے۔ ایک دیانتدار جواب اس حقیقت کا سامنا کرتا ہے کہ ایک سستی رجعتی تشخیص کچھ نہ ہونے سے بدتر ہو سکتی ہے اگر یہ جھوٹا اعتماد دیتی ہے، اور دیکھتا ہے کہ آیا آپ کی تنظیم میں معاہدے اور ٹائم لائنز اچھے ڈیزائن کو ساختی طور پر ممکن یا ساختی طور پر ناممکن بناتی ہیں۔

3. ہم کس دعوے پر عمل کرنے سے انکار کریں گے، اور کیا شواہد ہمارا ذہن بدلیں گے؟ یہ سوال جانچتا ہے کہ آیا ٹیم شواہد کو ایک حقیقی مدخل کے طور پر لیتی ہے یا پہلے سے لیے گئے فیصلے کے لیے سجاوٹ کے طور پر۔ پیشگی، ثبوت کا معیار نام لینا جسے ایک دعوے کو پورا کرنا لازمی ہے — اور وہ تلاش جو آپ کو راستہ الٹ دے گی — تصدیق کے تعصب اور اس انتخابی جوش کے خلاف سب سے مضبوط پہرہ دار ہے جو ان نتائج کا استقبال کرتا ہے جنہیں ہم پسند کرتے ہیں۔ حقیقی ٹینشن یہ ہے کہ اسٹیک ہولڈرز شاذ و نادر ہی پسندیدہ پروگراموں اور ناپسندیدہ کو ایک ہی شواہد کے معیار پر رکھتے ہیں؛ ایک پیارا اقدام شک کا فائدہ پاتا ہے، ایک خطرناک کو کھول کر جانچا جاتا ہے۔ ایک دیانتدار بحث ظاہر کرتی ہے کہ یہ دوہرے معیار آپ کی تنظیم میں کہاں رہتے ہیں، متفق ہوتی ہے کہ مختلف سائز کے فیصلوں کے لیے "عمل کرنے کے لیے کافی اچھا" کا کیا مطلب ہے، اور قبول کرتی ہے کہ پیشگی-عہد کرنا کہ کیا آپ کا ذہن بدلے گا ناخوشگوار ہے بالکل اس لیے کہ یہ بدل سکتا ہے۔

4. جب ہم کسی دوسرے نظام سے ایک حیران کن نتیجہ مستعار لیتے ہیں، ہم کیا فرض کر رہے ہیں کہ اس کے ساتھ منتقل ہوتا ہے؟ ایک مطالعہ اپنی ترتیب میں سببیت کے بارے میں بے عیب ہو سکتا ہے اور پھر بھی آپ کو گمراہ کر سکتا ہے، کیونکہ آبادی، صحت کا نظام، بنیادی خطرہ، اور محرکات جنہوں نے اس کا اثر پیدا کیا آپ کی طرح کچھ نہیں ہو سکتے۔ ٹینشن یہ ہے کہ سب سے متاثر کن شواہد عام طور پر کہیں اور سے آتے ہیں — ایک امریکی بیمہ مارکیٹ، ایک اسکینڈینیوین رجسٹری، ایک اچھی-وسیلہ اُزمائشی سائٹ — اور اس کی سختی خود آپ کو عدد درآمد کرنے کا لالچ دیتی ہے اس کی موزونیت کی تفتیش کرنے کے بجائے۔ بحث کریں کہ اثر کو دوبارہ پیدا ہونے کے لیے آپ کی آبادی اور نظام کے بارے میں کیا سچ ہونا چاہیے: کیا بنیادی خطرہ موازنہ کے قابل ہے، کیا آپ کی افرادی قوت کے پاس وہ صلاحیت ہے جو مداخلت نے فرض کی، کیا آپ کے مریض ایک جیسی پابندیوں کا سامنا کرتے ہیں؟ ایک دیانتدار جواب بیرونی درستگی کو اندرونی درستگی سے الگ سوال کے طور پر لیتا ہے، اس اضطراب کی مزاحمت کرتا ہے کہ ایک دور مطالعے کو محض دور ہونے کی وجہ سے کم اہمیت دی جائے، اور نام لیتا ہے کہ اصل ترتیب کی کون سی خصوصیات کام کر رہی ہیں۔ بدترین نتیجہ ایسے اثر کو اسکیل کرنا ہے جو وہاں حقیقی تھا اور یہاں غائب، پھر منتقلی کے بجائے مداخلت کو مورد الزام ٹھہرانا۔

5. ہمارا کتنا ڈیٹا گمشدہ ہے، اور کیا ہمیں یقین ہے کہ خلا معصوم ہیں؟ ہر حقیقی صحت ڈیٹاسیٹ میں سوراخ ہوتے ہیں — مریض چھوڑ جاتے ہیں، ریکارڈ نامکمل ہیں، پیروی ختم ہوتی ہے — اور خطرناک کیس یہ ہے کہ جس وجہ سے ڈیٹا گمشدہ ہے وہ خود نتیجے سے متعلق ہے، تو نامکمل ریکارڈ چھوڑنا خاموشی سے انتخاب کے تعصب کو ایک صاف نظر آنے والے مطالعے میں دوبارہ اسمگل کرتا ہے۔ ٹینشن "مکمل-کیس" تجزیے کی سہولت کے درمیان ہے، جو زیادہ تر آلات میں ڈیفالٹ ہے اور نتیجے کا تیز ترین راستہ، اور یہ پوچھنے کی دیانتداری کے درمیان کہ آیا غائب ہونے والے لوگ منظم طور پر رہنے والوں سے مختلف ہیں۔ بحث کریں کہ مضامین کا کتنا حصہ کھویا گیا، آیا گمشدہ مشاہدہ شدہ سے زیادہ بیمار، غریب، یا کم مصروف نظر آتے ہیں، اور تجزیے نے ان کے بارے میں کیا فرض کیا۔ ایک اچھا جواب اکثر بتا سکتا ہے کہ گمشدہ ڈیٹا کس سمت میں تخمینے کو دھکیلے گا حتیٰ کہ جب قدریں خود ناقابلِ بازیافت ہوں، اور یہ ایک زیادہ یا غیر-وضاحتی چھوڑنے کی شرح کو پوری دعوے کے لیے خطرہ سمجھتا ہے ایک حاشیے کے بجائے۔ نام نہ لینے کی ناکامی وہ ٹیم ہے جو زندہ بچ جانے والوں کو ایسے رپورٹ کرتی ہے جیسے وہ پوری آبادی تھی۔

6. کیا ہم کبھی ایک واحد مطالعے پر عمل کرتے ہیں، اور کیا چیز ہمیں شواہد کی دوسری لائن کا انتظار کرائے گی؟ ایک سببی دعوے پر اعتماد مختلف طریقوں سے آنا چاہیے جو مختلف طریقوں سے ناکام ہوتے ہیں — ایک اُزمائش، ایک ڈفرنس-ان-ڈفرنسز، ایک آلاتی-متغیرات تخمینہ جو ایک ہی سمت اشارہ کرتا ہے — نہ کہ ایک حیران کن نتیجے سے چاہے کتنا ہی اچھا اُس پر عمل کیا گیا ہو۔ ٹینشن یہ ہے کہ تثلیث وقت اور پیسہ خرچ کرتی ہے جسے تنظیم شاذ و نادر ہی خرچ کرنا چاہتی ہے، اور ایک تنہا متاثر کن تلاش دوسری لائن تفویض کیے جانے سے پہلے عمل کرنے کا دباؤ پیدا کرتی ہے۔ بحث کریں کہ کون سے فیصلے شواہد کی ایک سے زیادہ لائن کا تقاضا کرنے کے لیے کافی بڑے ہیں، اور جب طریقے متفق نہ ہوں تو آپ کیا کرتے ہیں — کیونکہ اختلاف اوسط نکالنے کے لیے شور نہیں بلکہ اس بارے میں معلومات ہے کہ کون سے مفروضے ناکام ہو رہے ہیں۔ ایک دیانتدار جواب ایک مفروضے کو جو جانچنے کے قابل ہے ایک نتیجے سے الگ کرتا ہے جو عمل کرنے کے قابل ہے، اور اس رفتار کی مزاحمت کرتا ہے جو ایک واحد تشخیص کو طے شدہ حقیقت میں بدل دیتی ہے صرف اس لیے کہ یہ پہلے آیا اور وہ کہا جو لوگ امید کرتے تھے۔

عملی تناظر میں: ایک صحت اقتصادیات کی مثال

سولوینیا کی وزارتِ صحت، وسطی یورپ میں سماجی-بیمہ نظام والا ایک فرضی اپر-درمیانی آمدنی والا ملک، جاننا چاہتا ہے کہ آیا ایک نیا کمیونٹی دل-کی-ناکامی پروگرام — نرس-پیشوائی کلینک جو پیراہش کے بعد مریضوں کی نگرانی کرتے ہیں — مہنگے ایمرجنسی دوبارہ-داخلوں کو کم کرتا ہے۔ بارہ خطے پہلے ہی اسے اپنا چکے ہیں؛ آٹھ نے نہیں۔ ایک ابتدائی اندرونی رپورٹ نے اپنانے والے بمقابلہ نہ اپنانے والے خطوں میں دوبارہ-داخلے کی شرح کا موازنہ کیا، اپنانے والوں میں 18 فیصد کم پایا، اور قومی رول آؤٹ کی سفارش کی۔ وزارت کے صحت اقتصادیات دان سے کہا جاتا ہے کہ سینکڑوں ملین کورونا عہد کرنے سے پہلے دعوے کی جانچ کریں۔

اس کا پہلا سوال کاؤنٹر فیکچوئل ہے۔ اپنانے والے خطے بے ترتیب منتخب نہیں کیے گئے تھے: وہ امیر تر تھے، ان کی بنیادی نگہداشت بہتر منظم تھی، اور ان کی دوبارہ-داخلے کی شرح پروگرام شروع ہونے سے پہلے کم تھی۔ سادہ موازنہ اس لیے پروگرام کے اثر کو ان خطوں کے پہلے سے موجود فائدے کے ساتھ الجھاتا ہے جو اسے اپنا سکتے تھے — ایک نصابی انتخاب کا مسئلہ۔ ایک سادہ اپنانے-والوں-بمقابلہ-نہ-اپنانے-والوں کا فرق دونوں کو الگ نہیں کر سکتا، اور 18 فیصد عدد سببی اثر کے طور پر ناقابلِ تشریح ہے۔

وہ اس کے بجائے ایک ڈفرنس-ان-ڈفرنسز ڈیزائن تجویز کرتی ہیں، ہر خطے کی اپنانے کی تاریخ سے پہلے اور بعد کے کئی سالوں کے علاقائی دوبارہ-داخلے کے ڈیٹا کا استعمال کرتے ہوئے۔ یہ اپنانے والے خطوں میں دوبارہ-داخلوں میں تبدیلی کا نہ-اپنانے والے خطوں میں تبدیلی سے موازنہ کرتا ہے، کسی بھی مستحکم علاقائی فائدے کو فرق نکالتے ہوئے۔ اہم طور پر، وہ پہلے اپنانے-سے-پہلے کے رجحانات پلاٹ کرتی ہیں: اگر اپنانے والے پروگرام سے پہلے پہلے ہی نہ-اپنانے والوں سے تیز بہتر ہو رہے تھے، متوازی-رجحانات مفروضہ ناکام ہوتا ہے اور ڈیزائن غیر درست ہے۔ رجحانات قریب لیکن ایک جیسے نہیں ہیں، تو وہ تخمینہ اس احتیاطی نکتے کے ساتھ نظر آتا ہوا رپورٹ کرتی ہیں دفن ہونے کے بجائے۔

چونکہ اپنانے کی تاریخیں خطوں بھر مرحلہ وار تھیں، وہ پینل ساخت کا بھی استحصال کرتی ہیں، ہر خطے کے بارے میں ہر مستحکم چیز اور قوم-بھر جھٹکوں جیسے ایک بری انفلوئنزا سردی کو کنٹرول کرتے ہوئے جو ہر خطے کو ایک ساتھ لگی۔ ڈفرنس-ان-ڈفرنسز تخمینہ دوبارہ-داخلوں میں 7 فیصد کمی پر آتا ہے — حقیقی اور رکھنے کے قابل، لیکن اہم عدد کے آدھے سے کافی نیچے، کیونکہ اصل 18 فیصد کا زیادہ تر حصہ خطوں کا پہلے سے موجود فائدہ تھا، پروگرام نہیں۔ وہ پھر گمشدہ ڈیٹا چیک کرتی ہیں: دو خطوں کی منتقلی کے سال میں نامکمل کوڈنگ تھی، اور وہ دکھاتی ہیں کہ نتیجہ چاہے ان خطے-سالوں کو شامل یا خارج کیا جائے برقرار رہتا ہے۔

وہ اس بارے میں صاف گو ہیں کہ تخمینہ کیا ہے اور کیا نہیں۔ یہ ان خطوں میں اوسط اثر ہے جن کے پاس نرس-پیشوائی کلینک چلانے کی بنیادی-نگہداشت صلاحیت ہے؛ آٹھ نہ-اپنانے والے خطے غریب تر اور کم-عملہ یافتہ ہیں، تو وہاں اثر چھوٹا ہو سکتا ہے یا ایسی سرمایہ کاری کا تقاضا کر سکتا ہے جسے ماڈل قیمت نہیں دیتا۔ یہ بیرونی درستگی کا سوال ہے، اور وہ اسے واضح طور پر نشان زد کرتی ہیں یہ فرض کرنے کے بجائے کہ 7 فیصد منتقل ہوگا۔ وزارت کے لیے اس کی سفارش نہ "قومی سطح پر رول آؤٹ کریں" ہے نہ "اسے ترک کریں"، بلکہ "اسے وہاں مالی معاونت دیں جہاں بنیادی-نگہداشت صلاحیت موجود ہے، اور باقی خطوں میں رول آؤٹ ترتیب کو بے ترتیب کریں تاکہ اگلی تشخیص منتقلی کے سوال کو حل کر سکے جسے یہ نہیں کر سکتی۔" 7 فیصد کمی کی لاگت-تاثیر پھر ایک فیصلہ ماڈل (موضوع 2.2 — ماڈلنگ) کو دی جاتی ہے جو سببی تخمینے کو ایک لاگت-فی-نتیجہ میں بدل دیتا ہے جس پر پیئر عمل کر سکتا ہے۔

چار شعبہ جاتی عدسے

اسٹارٹ اپ

ایک ڈیجیٹل-صحت اسٹارٹ اپ عام طور پر صحت اکنامیٹرکس کو ایک خریدار یا ریگولیٹر کی شواہد کی مانگ کے طور پر ملتا ہے: ثابت کریں کہ آپ کی ایپ اصل میں نتائج بدلتی ہے، صرف یہ نہیں کہ مصروف صارفین اچھا کرتے ہیں۔ لالچ جوشیلے ابتدائی اپنانے والوں کا پہلے-اور-بعد کا چارٹ ہے، جو تقریباً خالص انتخاب کا تعصب ہے — وہ صارفین بہرحال بہتر ہوتے۔ قابلِ اعتماد، قابلِ برداشت قدم ایک چھوٹا بے ترتیب پائلٹ یا سائٹوں بھر ایک مرحلہ وار رول آؤٹ ہے، لانچ سے پہلے ڈیزائن شدہ، جو مصنوع کے اثر کو اسے منتخب کرنے والے لوگوں کے محرک سے الگ کرتا ہے۔ بانی جو پہلی تعیناتی میں ایک صاف موازنہ بناتے ہیں پیئرز کے ساتھ ان لوگوں سے کہیں زیادہ وزن رکھتے ہیں جو بعد میں ایک سنوارنے والا تجزیہ ریٹروفٹ کرتے ہیں۔

چھوٹا کاروبار

ایک قائم شدہ چھوٹا فراہم کنندہ — ایک گروپ پریکٹس، ایک واحد کلینک، ایک کمیونٹی فارمیسی، ایک چھوٹا آلہ سپلائر — کے پاس حقیقی آپریشنل ڈیٹا ہے لیکن نہ حجم نہ تجزیاتی ٹیم اپنے شبہ-تجرباتی مطالعات چلانے کے لیے، اور نہ کوئی لانچ لمحہ جس کے گرد بے ترتیبی کی جائے۔ اس کا اکنامیٹرک کام زیادہ تر جائزہ ہے: ان شواہد کو پڑھنا جو ایک تیارکنندہ، کمیشنر، یا پیشہ ورانہ ادارہ اس کے سامنے رکھتا ہے اور فیصلہ کرنا کہ آیا ایک دعویٰ شدہ اثر اس کے اپنے جیسے کیس لوڈ میں برقرار رہے گا۔ سب سے مستحکم قدم بیرونی-درستگی کے سوال کو سختی سے پوچھنا ہے — کیا یہ ایک ایسی آبادی، عملہ کی سطح، اور نظام میں دکھایا گیا جو میرے جیسا ہے؟ — سببی تجزیہ کرنے کی کوشش کے بجائے جسے یہ سُروسدار نہیں کر سکتا۔ جہاں یہ شواہد پیدا کرتا ہے، اپنی سائٹوں یا معالجین بھر ایک مرحلہ وار تبدیلی، یا ایک قریبی موازنہ کے قابل پریکٹس کے خلاف دیانتداری سے پڑھا گیا ایک سادہ پہلے-اور-بعد ایک سنوارنے والے اندرونی چارٹ سے زیادہ قابلِ اعتماد ہے۔ ایک پیئر کے شواہد بار کا پیچھا کرنے والے اسٹارٹ اپ کے برعکس، اس کا محرک ایسی چیز اپنانے سے بچنا ہے جو خاموشی سے قلیل وقت اور پیسہ ایسے کیس لوڈ پر ضائع کرتی ہے جو مطالعے سے کبھی میل نہیں کھاتا۔

ادارہ

ایک بڑا فراہم کنندہ یا بیمہ کنندہ امیر طولانی ڈیٹا پر بیٹھتا ہے — دعوے، ریکارڈ، رجسٹریاں — اور اس کا فائدہ پیمانے پر پینل اور شبہ-تجرباتی تجزیے چلانے کی صلاحیت ہے۔ خطرہ ڈیٹا کے حجم کو سببی وضاحت کے ساتھ الجھانا ہے: ایک ملین مبہم ریکارڈ اب بھی آپ کو نہیں بتا سکتے کہ آیا نگہداشت-انتظام کا پروگرام کام کرتا تھا، اور ایک اچھی-وسیلہ تجزیاتی ٹیم نفیس ماڈل پیدا کر سکتی ہے جو انتخاب کے تعصب کو ظاہری اثر میں دھو دیتی ہے۔ بالغ ادارہ اندرونی کارکردگی رپورٹنگ کو سببی تشخیص سے الگ کرتا ہے، دونوں کو مختلف معیارات پر رکھتا ہے، اور اپنے آپریشنل رول آؤٹس میں بے ترتیب یا مرحلہ وار ڈیزائن بناتا ہے تاکہ معمول کی تبدیلی صرف ڈیش بورڈ نہیں بلکہ قابلِ اعتماد شواہد پیدا کرے۔

حکومت

ایک وزارت یا قومی پیئر سب سے زیادہ داؤ والے سببی فیصلے کرتی ہے — ایک پروگرام کو قومی سطح پر اسکیل کرنا، ایک فائدہ کی مالی معاونت یا واپسی — اور اکثر پالیسی تُوے رکھتی ہے جو فطری تجربات پیدا کرتے ہیں: اہلیت کی حدیں، مرحلہ وار رول آؤٹس، علاقائی پائلٹس۔ اس کا نظم و ضبط ان رول آؤٹس کو شروع سے تشخیصات کے طور پر ڈیزائن کرنا چاہیے، تاکہ ناگزیر مرحلہ بندی ایک ناقابلِ تشریح موازنے کے بجائے ڈفرنس-ان-ڈفرنسز یا رگریشن ڈسکنٹینیویٹی پیدا کرے۔ حکومت وہ فرض بھی اٹھاتی ہے جو دوسرے شعبے نہیں اٹھاتے: پیشگی-عہد کرنے سے سیاسی عدم توازن کے خلاف محافظت کرنا جس میں پسندیدہ پروگرام جانچ پڑتال سے بچ جاتے ہیں اور خطرناک نتائج متنازع کیے جاتے ہیں، تشخیصی معیارات کے لیے اور نتائج کو شائع کرنا چاہے وہ پالیسی کو سنواریں یا نہ سنواریں۔

عام ناکامی کے طریقے

• ہم آہنگی کو سببیت کے ساتھ الجھانا۔ یہ رپورٹ کرنا کہ علاج شدہ مریضوں نے بہتر کیا بغیر یہ حل کیے کہ ان کا علاج کیوں ہوا۔ حل: کاؤنٹر فیکچوئل سے شروع کریں اور کسی فرق کی تشریح کرنے سے پہلے مبہم عوامل کا نام لیں۔

• نتیجے پر انتخاب کرنا۔ رضاکاروں کا غیر-رضاکاروں سے، مکمل کرنے والوں کا چھوڑنے والوں سے، یا اپنانے والوں کا نہ-اپنانے والوں سے موازنہ کرنا جیسے گروہ قابلِ تبادلہ ہوں۔ حل: ایک ڈیزائن (بے ترتیبی، ڈفرنس-ان-ڈفرنسز، آلاتی متغیرات، رگریشن ڈسکنٹینیویٹی) استعمال کریں جو یہ حل کرے کہ لوگوں کو گروہوں میں کیسے ترتیب دیا گیا۔

• خاموش مکمل-کیس تجزیہ۔ گمشدہ ڈیٹا والے ہر کسی کو چھوڑنا اور باقی کو رپورٹ کرنا جیسے یہ پورا ہو۔ حل: گمشدگی کی حد اور نمونہ رپورٹ کریں اور جانچیں کہ آیا نتائج اس کے بارے میں مختلف مفروضوں کے تحت برقرار رہتے ہیں۔

• بغیر جانچے فرض کرنا۔ متوازی رجحانات چیک کیے بغیر ڈفرنس-ان-ڈفرنسز پیش کرنا، یا اس کی خارجیت کے لیے بحث کیے بغیر ایک آلہ۔ حل: جعل سازی ٹیسٹ مانگیں اور ان کی غیر موجودگی کو نقص سمجھیں۔

• ایک مقامی اثر کو عام کرنا۔ حد-بنیاد یا آلہ-بنیاد تخمینے کو ایسی آبادی پر لاگو کرنا جسے اس نے کبھی بیان نہیں کیا۔ حل: بیان کریں کہ عدد کس کا اثر ہے اور بیرونی درستگی کو اندرونی درستگی سے الگ جانچیں۔

• شماریاتی-اہمیت کا تھیٹر۔ p-value کو فیصلہ سمجھنا، اثر کے سائز اور غیر یقینی کو نظر انداز کرنا۔ حل: حقیقی بجٹ اور آبادی کے خلاف فریم شدہ شدت اور اعتماد کے وقفے مانگیں۔

• تجزیے کو ریٹروفٹ کرنا۔ موجودہ ڈیٹاسیٹ تلاش کرنا جب تک ایک خوشگوار نتیجہ ظاہر نہ ہو، پھر اسے ایسے پیش کرنا جیسے پیشگی-منصوبہ بند ہو۔ حل: ڈیٹا دیکھنے سے پہلے ڈیزائن اور تجزیاتی منصوبہ پیشگی-رجسٹر کریں۔

پختگی ماڈل

چیک لسٹ

• کاؤنٹر فیکچوئل بیان کریں: موازنہ گروہ کیا ہے، اور یہ کیوں دکھائے گا کہ علاج شدہ گروہ مداخلت کے بغیر کیا کرتا؟
• ممکنہ مبہم عوامل اور انتخاب کے میکانزم شناخت کریں، اور اس ڈیزائن کا نام لیں جو انہیں حل کرتا ہے۔
• تصدیق کریں کہ ڈیزائن ڈیٹا جمع ہونے سے پہلے منصوبہ بند تھا، ایک تحریری تجزیاتی منصوبے کے ساتھ۔
• منتخب طریقے کے لیے، کلیدی مفروضہ (متوازی رجحانات، آلے کی خارجیت، کوئی حد ہیرا پھیری نہیں) کا نام لیں اور اس کے شواہد چیک کریں۔
• جعل سازی ٹیسٹ مانگیں، صرف اہم تخمینہ نہیں۔
• پوچھیں کتنا ڈیٹا گمشدہ تھا، آیا گمشدہ مشاہدہ شدہ سے مختلف ہے، اور گمشدگی کیسے ہینڈل کی گئی۔
• چیک کریں ماڈل ڈیٹا کی شکل سے میل کھاتا ہے (ترچھی لاگتیں، شمار، سنسر شدہ بقا)۔
• عام کرنے سے پہلے قائم کریں تخمینہ کس کا اثر ہے (مقامی یا عام)۔
• اثر کے سائز اور اعتماد کے وقفے کو اپنے بجٹ اور آبادی کے خلاف پڑھیں، صرف p-value نہیں۔
• بیرونی درستگی کا جائزہ لیں — کیا یہ میرے نظام میں برقرار رہے گا؟ — اندرونی درستگی سے الگ۔
• کسی بھی فیصلے کے لیے جو اہمیت کے لیے کافی بڑا ہو شواہد کی دوسری لائن تلاش کریں۔
• سببی دعویٰ، ڈیزائن، اس کا کلیدی مفروضہ، اور آپ کا ذہن کیا بدلے گا ریکارڈ کریں۔

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