다중처리군에서 성향점수 짝짓기를 위해 일반화 성향점수의 함수를 사용하는 방법

전선희 고려대학교 대학원 2013 국내석사

목적 : 처리군이 두 군인 경우 성향점수에 기반을 둔 공변량 보정 방법으로는 층화, 회귀보정, 가중치, 짝짓기 등이 있으며, 이들 중 짝짓기 방법은 기저 공변량의 체계적인 차이를 크게 줄여주는 장점이 있다. 따라서 본 연구에서는 다중 처리군에서 일반화 성향점수를 이용한 짝짓기 방법에 사용될 수 있는 함수들을 제안하고 이들을 비교하여 적절한 함수화 방법을 제시하였다. 방법 : 일반화 성향점수들을 하나의 함수로 만들어 차원을 축소 한 뒤 이 함수를 이용해 각 대상자들을 짝짓기 하였다. 일반화 성향점수의 함수로는 기준 범주에 해당하는 일반화 성향점수와 다른 처리군에 해당하는 일반화 성향점수의 비의 합 또는 곱을 이용한 함수, 일반화 성향점수와 기준범주에 해당하는 성향점수와의 거리의 제곱합을 이용한 함수, 일반화 성향점수와 일반화 성향점수의 평균과의 거리의 제곱합을 이용한 함수 등을 고려하였다. 구해진 일반화 성향점수의 함수를 이용해 일정 크기를 가지는 캘리퍼를 사용하는 greedy 짝짓기를 세 집단 이상으로 확장하여 모든 짝진 차이의 크기가 최소가 되도록 짝진 집합을 구성하였다. 이 때 캘리퍼의 크기는 사분위수 범위의 0.05배를 사용하였다. 또한 모의실험을 통해 이들 함수들의 수행력을 공변량들의 균형성, 편향의 크기, 정확성 및 안정성의 측면에서 평가하였다. 결과 : 모의실험 결과, 기저 공변량들의 균형성, 편향, 정확성 및 안정성 측면에서 '기준 대비 처리군들의 합' 함수나 '기준 대비 처리군들의 곱' 함수가 뛰어났다. 하지만 군 당 표본 수가 100으로 작을 때는 군 당 25개 정도의 표본만이 사용되고 일부 경우에서 편향이나 평균제곱오차가 직접 보정방법보다 크게 나타났다. 매칭율 측면에서는 ‘평균으로부터의 차이에 대한 제곱합’ 함수와 '기준범주로부터의 차이에 관한 제곱합' 함수가 다른 함수에 비해 높았지만 균형성이나 편향, 정확성 및 안정성 측면에서는 상대적으로 낮은 수행력을 보였다. 결론 : 군 당 표본 수가 300개 이상일 때 '기준 대비 처리군들의 합' 함수나 '기준 대비 처리군들의 곱' 함수를 사용하여 짝짓기하는 것이 가장 바람직한 것으로 판단된다. '기준 대비 처리군들의 합' 함수와 '기준 대비 처리군들의 곱' 함수들 중에서는 '기준 대비 처리군들의 합' 함수가 다소 매칭율이 높고 편향이 작으므로 이 함수값을 사용해 '기준 대비 처리군들의 합' 함수를 일반화 성향점수의 짝짓기를 실시하는 것이 바람직한 것으로 판단된다. Objectives : When comparing two groups in non-randomized studies, propensity score methods such as stratification, weighting, regression adjustment and propensity score matching are often used for removing the effects of confounding when estimating the effects of treatment on outcomes. Among the methods, matching on propensity score reduces systematic difference to a great extent. In this study, we propose and compare functions of generalized propensity scores in order to match propensity scores with multiple treatments. Methods : The functions of generalized propensity scores are used for matching each subject. We consider four functions: first, the sum-of-ratio of generalized propensity scores of treatments to that of reference, second, the product-of-ratios of generalized propensity score of each treatment to that of reference, third, the sum of squared differences between generalized propensity scores of treatments and that of reference, and finally, the sum of squared deviations of generalized propensity scores from the mean. Greedy matching using calipers of a specified width with multiple treatments is used for the formation of matched sets of subjects. And the matched sets consist of observations that minimize all possible pairwise differences of the functions. Besides, in order to evaluate the performance of the functions, we conduct a simulation study. Results : Overall, the results of treatments-summation-to-reference ratio function and treatments-to-reference ratio product function show the largest accuracy and stability as well as the smallest bias. Futhermore, matching using the functions eliminates a great part of systematic difference. However, the matched set includes only 25 to 30 observations in each group when the sample size per group is 100. And, in some situations, the results of matching using the functions are more biased and less accurate than that of conventional regression adjustment. Even though, the result of sum-of-square-to-reference function and sum-of-square-to-center function shows relatively high matching rates, the performance of them is worse than that of other functions in the aspect of bias, accuracy, stability, and the balance of baseline covariates between treatment groups. Conclusion : Using treatments-summation-to-reference ratio function or treatments-to-reference ratio product function is advisable when the sample size of each group is more than 300. Comparing two functions, the result of treatments-summation-to-reference ratio function shows higher matching rate and closer estimates to the true values than that of treatments-to-reference ratio product function. Therefore, treatments-summation-to-reference ratio function is the most desirable to match generalized propensity scores with multiple treatments.

결측자료 분석에서의 일반화 부스팅 및 랜덤 포레스트를 이용한 벌칙 스플라인 성향 점수 대체방법의 성능 비교

문혜미 고려대학교 2017 국내석사

목적 : 결측자료의 분석에서 결측값의 대체 후 추정량의 불편성이 성립되지 않으면 추정량의 효율이 떨어지게 된다. 결측값을 대체하는 일반적인 모형 기반의 접근법은 선형 회귀와 같은 모수적 모형을 이용한 대체 방법이다. 이 방법은 독립변수와 종속변수의 관계를 나타내는 모형이 맞게 설정된 임의결측 가정 하에서는 효율적이다. 하지만, 모형 설정이 잘못된 경우 큰 편향을 야기하는 문제가 발생한다. 이에 대한 대안으로, 강건한 모형기반의 벌칙 스플라인 성향점수 대체방법을 사용할 수 있다. 하지만, 결측값 대체방법에 사용되는 성향점수는 응답성향을 추정하는 모형에 민감하여, 응답성향을 추정하는 모형이 맞지 않는 경우 추정치에 편향이 발생할 수 있는 단점이 있다. 따라서 본 논문은 응답성향 예측모형에 있어 강건한 모형 기반의 기계학습 방법인 일반화 부스팅과 랜덤 포레스트의 성능을 비교하고 평가한다. 방법 : 일반적으로 성향점수를 이용하는 통계적 분석은 두 군을 비교하는 관찰연구에서 매칭 등의 방법으로 알려져 있지만, 결측값 대체방법으로도 사용할 수 있다. 응답성향을 추정할 때 종속변수가 이산적인 값을 갖기 때문에 모수적 응답성향 예측모형인 로지스틱 회귀모형을 고려하고, 준모수적 모형으로는 일반화 가법모형을 고려한다. 추가적으로 일반화 부스팅과 랜덤 포레스트의 응답성향 예측모형을 기계학습 방법으로 고려한다. 결측값을 대체하기 위해, 각 모형으로 추정한 성향점수를 벌칙 스플라인 성향점수 대체모형에 적용한다. 결측값을 대체한 후, 자료의 편향과 평균제곱오차의 결과를 비교하여 네 가지 응답성향 예측모형의 성능을 평가한다. 결과 : 성향점수를 추정한 뒤 벌칙 스플라인 성향점수 대체방법을 적용한 모의실험의 결과, 벌칙 스플라인 성향점수 대체방법으로 강건한 추정치를 만들 수 있다. 특히, 응답모형이 가법적인 경우, 로지스틱 회귀모형을 제외한 일반화 가법모형, 일반화 부스팅, 랜덤 포레스트 모두 강건한 추정치를 만들었다. 응답모형이 비가법적일 때, 일반화 부스팅과 랜덤 포레스트가 일반화 가법모형보다 편향이 최소화 된 추정치를 갖는 결과를 보였다. 특히, 비가법항의 크기가 커질수록, 랜덤 포레스트의 추정치가 편향과 평균제곱오차 모두 감소하는 결과를 보였다. 결론 : 응답성향점수를 이용하는 결측값 대체 방법은 응답성향점수의 예측모형이 잘못 설정되면 심각한 편향을 발생시킬 수 있다. 이 문제를 해결하기 위한 방법으로 강건한 모형 기반의 기계학습 방법을 이용한 응답성향 예측모형을 통한 벌칙 스플라인 성향점수 대체방법은 응답모형이 가법적 또는 비가법적인 경우 모두 편향이 최소화 된 추정치를 제공한다. 실제 자료에서는 결측이 어떤 메커니즘에 따라 발생하는지 밝히는 것이 어렵다. 따라서 가법적 응답모형 뿐만 아니라 비가법적 응답모형에서도 강건한 모형 기반의 일반화 부스팅과 랜덤 포레스트를 응답성향 예측모형으로 사용하는 것을 제안한다. Objectives : In the analysis of missing data, the efficiency of the estimator is reduced if it becomes biased after the replacement of these missing values. An imputation method using a parametric model such as linear regression is a general model-based approach to replace missing values. Under MAR assumption, this method is efficient when the model showing the relationship between a dependent variable and independent variables is specified correctly. However, the method produces bias when the model is misspecified. As an alternative, the penalized spline propensity prediction imputation method with robust inference of missing data can be used. However, the propensity score used in missing value imputation method is sensitive to the propensity model, so that it can not yield robust inference when the propensity model is misspecified. Therefore, this study compares and evaluates the performance of generalized boosting and random forest based on machine learning when estimating the efficacy of the propensity model. Methods : In general, statistical analysis using a propensity score is known as matching in observational studies that compare two groups, but it can also be used as a missing value imputation method. Since the dependent variable is discrete, the logistic regression model is considered as a parametric propensity model, and the generalized additive model is considered as a semi-parametric propensity model when the propensity score is being estimated. In addition, the generalized boosting and the random forest are considered as the propensity models that use machine learning. To replace the missing values, the propensity score estimated by each model fits to the penalized spline propensity prediction imputation model. After replacing the missing values, the performance of the four propensity models is evaluated by comparing the results of empirical bias and mean squared error. Results : As a result, by fitting the penalized spline propensity prediction imputation method, it was possible to yield robust inference. In particular, when the response model was additive, all the propensity models except for the logistic regression model yielded robust inference. When the response model was nonadditive, generalized boosting and random forest offered more robust inferences than the generalized additive model. In particular, as the influence of the nonadditive term got greater, the more robust the random forest estimates were, both in the bias and the mean squared error. Conclusion : The imputation method using a propensity score can cause serious bias if the propensity model is misspecified. As a method to solve this problem, the penalized spline propensity prediction imputation method conducted through the machine learning propensity model produces robust inference for both additive and nonadditive response models. In actual data, it is difficult to discern the mechanism from the missing data. Therefore, I propose to use generalized boosting and random forest as response models, which offer robust inference, in addition to the additive response model as well as the nonadditive response model.

다중 처리군에서 성향점수 가중치 방법의 비교

김은진 전북대학교 일반대학원 2022 국내석사

관찰연구에서 처리효과 추정치는 공변량 불균형의 영향으로 인한 편향이 발생한다. 역확률 가중치, 중복 가중치 및 매칭 가중치와 같은 성향점수의 가중치 방법은 추정치의 편향을 줄일 수 있다. 다중 처리군의 경우에는 성향점수를 확장한 일반화 성향점수 방법이 제안되었다. 주로 일반화 성향점수 추정시 다항 로지스틱 회귀 모형이 사용되며, 가중치 방법에도 적용되었다. 그러나 표본 크기에 비해 공변량이 너무 많거나 정규성을 가정할 수 없는 경우, 모수적 방법인 다항 로지스틱 회귀의 치료효과 추정치는 편향이 발생 할 수 있다. 반면 일반화 부스팅 모형은 비모수적 방법과 같은 문제에 적합하다. 또한 대용량 데이터에서도 잘 구현되어 최근에는 일반화 성향점수 추정에도 사용되고 있다. 본 연구는 모의실험을 통해 다항 로지스틱 회귀 모형과 일반화 부스팅 모형에 의해 추정된 일반화 성향점수와 이를 기반으로 하는 역확률 가중치, 중복 가중치와 매칭 가중치의 소표본 속성을 비교하였다. 모의실험 결과, 처리 또는 결과 모형이 선형인 경우에만 다항 로지스틱 회귀 방법은 편향과 MSE가 작았으며 CP는 높게 나타났다. 그러나 일반화 부스팅 방법은 모형의 선형 여부에 관계없이 편향, MSE와 CP는 일관된 결과를 보였으며, 처리 또는 결과 모형이 비선형인 경우에는 다항 로지스틱 회귀 방법보다 우수한 성능을 보였다. 가중치 방법은 전반적으로 매칭 가중치, 중복 가중치, 역확률 가중치 순으로 우수한 성능 보였다. 매칭 가중치와 중복 가중치는 일반화 성향점수 추정 방법에 따른 결과와 비슷하게 나타났으며, 역확률 가중치는 일반화 부스팅 모형으로 추정할 경우 성능이 더 좋게 나타났다. In observational studies, the treatment effect estimates are often biased by the impact of covariate imbalances. The propensity score weighting methods such as inverse probability of treatment weights(IPW), overlap weights(OW) and matching weights(MW) can be used to reduce the bias. In the case of multiple treatments, the propensity scores are extended to generalized propensity scores. They have been estimated most often by multinomial logistic regression(MLR) and used for weighting methods. However, MLR, which is a parametric methods, may cause bias in the estimate of treatment effect when there are too many covariates for the sample size or when normality cannot be assumed. The generalized boosted models(GBM) is robust to such problems as a nonparametric methods and also implemented well in very large size of data so that it is recently adopted for the estimation of GPS. In this study, we compared small sample properties of generalized propensity scores estimated by MLR and GBM and three weighting methods(IPW, OW, MW) based on these scores through simulations. The result of simulation shows; The MLR had small bias and MSE, and CP was close to the specified value only when log-odds of the treatment or outcome was linear in covariates. The GBM, however, showed consistent results regardless of the models specification in bias, MSE and CP, and performs better than the MLR as both treatment and outcome models are non-linear. The weighting methods showed good performance in the order of MW, OW and IPW. MW and OW showed similar results according to the generalization propensity score estimation methods, and IPW performed better when estimated using the GBM.

한국의 자유 무역 협정 체결이 무역 교역량에 미치는 영향

강현주 경희대학교 대학원 2016 국내석사

본 논문은 무역량에 영향을 줄 수 있는 요인들 특히 최근 늘어나고 있는 자유 무역 협정 체결이 한국의 무역량에 어떠한 영향력을 미치는지를 분석 하였다. 분석을 위해 중력 모형을 사용 하였으며 분석 대상으로는 한국 포함 102개국의 1996년부터 2014년의 연간 데이터를 사용하였다. 중력 모형의 기본 변수인 GDP와 양국 간의 거리 이외에 FTA의 효과를 알아보기 위해 FTA 체결 변수와 FTA 발효 기간 변수를 추가하여 분석하였다. 분석 방법으로는 OLS분석, 고정 효과 모형 분석, 성향 점수 매칭법 그리고 일반화 성향점수 매칭법을 사용하였다. 분석 결과 양 국가의 GDP는 무역량의 양의 효과를 주었으며 거리는 음의 효과를 끼쳤다. FTA 체결은 OLS 분석과 고정 효과 분석 결과에서 모두 무역량을 증가시키는 것으로 나타났다. FTA 발효 기간의 효과를 자세히 알아보기 위해 FTA 발효 기간 변수의 제곱 변수를 추가한 모형을 분석하였다. FTA 발효 기간 제곱 변수는 음의 계수를 갖는 것으로 분석 되었다. 이는 FTA발효 후 시간이 지남에 따라 무역량은 증가하다가 서서히 줄어드는 것으로 해석 되었다. 성향 점수 매칭법을 통해 알아본 FTA의 체결 효과는 고정 효과 분석과 상응하는 결과가 분석 되었다. FTA 발효 기간의 효과를 알아보기 위해 일반화 성향 점수 접근법을 사용하여 효과를 분석하였다. 분석 결과 FTA의 발효 후 6년 차에 양 국가 간의 무역량이 최고치를 갖는 결과를 도출 하였다.

가족 간병이 가구원의 경제활동에 미치는 영향 : 암 환자 입원을 중심으로

차미래 서울대학교 대학원 2022 국내석사

For strengthening the coverage of National Health Insurance, the government has been considered for reimbursement of non-covered services, expanding coverage for severely ill patients and setting maximum shares of medical expenses for vulnerable social group. In particular, it has been intended to reduce the burden of medical expenses by improving the three major non-reimbursable expenses, upper grade ward fee, physician surcharges, and the cost of caregiver. As a result, upper grade ward fee was reimbursed and physician surcharges was abolished, but the cost of caregiver is still excluded from the discussion on the coverage. Shifting the burden of care costs to the private sector worsens the economic well-being of individuals and families, and is a factor that imposes various burdens on household members such as care, medical costs, job maintenance, and housework. It is important to understand the financial burden caused by caring and find ways to support it because it could affect not only the quality of life of household members but also the health and life of patients. This study aims to analyze changes in economic activity of household members due to family caregiving of hospitalized cancer patients. Economic activity is to be confirmed by working status, working hours, individual annual earned income, household gross earned income, and household total asset income. Household members may leave the labor market due to the burden of caring for the family and take care of the patient. On the other hand, household members may work more to cover the cost of caregiving. In addition, working hours can be reduced from full-time work to part-time work, allowing caregiving and working at the same time. These changes in work can lead to a decrease in earned income and can lead to financial risks for individuals and households. In addition, since the pattern of economic activity changes can appear differently depending on gender, this study intends to identify gender differences in care burden by dividing them into male and female subgroups. Through this, it is possible to enrich the discussion on easing the economic burden of households by bringing the caregiving system entrusted to the private sector into a public sector, and suggesting the need for supplementary measures for the loss of labor force. In this study, the following quasi-experimental methods were used to deal with the reverse causality of caregiving and the change of economic activities, and to identify changes in household members' economic activities. First, subjects were selected through Propensity Score Matching(PSM) to cope with selection bias based on observable factors. In the analysis, the selection bias due to unobservable factors was reduced by using a model that combines the Generalized difference-in-difference(GDD) and the fixed panel effect. Through this, changes in economic activity up to two years after caregiving were identified. For the analysis, data from 2008 to 2018 of the Korea Health Panel survey were used, and five-year balanced panel data were constructed. According to this study, it was found that family caregiving had a negative effect on the economic activities of household members. Household members who provided family care were 9.2%p(p<0.001) lower in the rate of continuing to work after one year of care compared to those who did not. Household members who provided caregiving were 9.2%p(p<0.001) lower in the rate of continuing to work after one year of caregiving compared to those who did not. In particular, there was no significant difference for men, but for women, the probability of maintaining work was 21.1%p(p<0.001) lower than that of the control group, indicating that the burden of caregiving was greater for women. There was no significant difference in the case of changes in the working hours from full-time to part-time. The absence of a difference in the type of working hours means that when full-time workers are unable to work properly due to caregiving, they choose to leave the labor market rather than change to a part-time system and keep working. The household gross earned income continued to decrease, and after 2 years of caregiving, it was 31.2% lower than that of the control group(p<0.001). Caring is not an individual problem, but rather affects the whole household, resulting in a negative effect on household finances. Compared to the control group, the total household asset income temporarily increased by 87.7% after 1 year of caregiving(p<0.01). It can be seen that asset income increased in a short period of time by selling real estate/movable property, financial assets, etc. to cover the cost of caregiving. As National Health Insurance does not include caregiving expenses, it can be seen that the responsibility is shifted to the individual to cover the actual cost. Families of cancer patients face financial burdens, such as exiting the labor market and declining incomes due to caring for them. A policy on the loss of labor force of household members due to caregiving is needed, and for this, a flexible working environment should be supported so that working activities and caregiving can be combined. In addition, caregiving expenses that are not currently included in National Health Insurance coverage items should be reimbursable so that paid caregiver services could be used without the burden of expenses. Finally, it should be taken as a fundamental problem that the family takes care of 'directly'. It is necessary to eliminate caregiving in the private sector by providing caregiving services 'on their own' in hospitals. To this end, a new type of nursing model should be introduced, such as supplementing the current comprehensive nursing care policy or utilizing existing paid caregivers. 건강보험의 보장성을 강화하고자 정부는 비급여 항목의 순차적 보장 전환, 중증질환자 보장성 확대, 취약계층의 진료비 부담 상한액 설정 등의 정책을 추진해오고 있다. 특히 대표적인 비급여 항목인 상급병실료, 선택진료비, 간병비와 같은 3대 비급여 제도를 개선하여 국민의 의료비 부담을 줄이고자 하였다. 이에 상급병실료 차액을 급여화하고 선택진료비는 폐지되었으나, 간병비는 여전히 보장성 논의에서 배제되어 있다. 간병비 부담을 사적 영역에 전가하는 것은 개인과 가족의 경제적 안녕을 악화시키며 가구원에게 간병, 치료비, 직장 유지, 가사 부담과 같은 여러 부담을 가하는 요인이 된다. 특히 암과 같이 치료의 강도가 높은 질병은 간병에 대한 부담을 더욱 오래 지속시키며 가구원의 일자리 상실이나 경제적 손실을 일으킨다. 이와 같은 간병으로 초래되는 재정적 부담을 파악하고 이를 지원할 수 있는 방안을 모색하는 것은 가구원의 삶의 질 뿐 아니라 환자의 건강과 삶에도 직접적인 영향을 줄 수 있기 때문에 중요하다. 본 연구는 암 환자의 가족 간병으로 인한 가구원의 경제활동 변화 양상을 분석하는 것을 목적으로 한다. 경제활동은 근로 여부, 근로 시간 형태, 개인 연간 근로소득, 가구 총 근로소득, 가구 총 비근로소득으로 확인하고자 한다. 근로 활동을 하는 가구원은 가족 간병의 부담으로 인해 노동 시장을 이탈하여 직접 간병을 할 수 있고 이와 반대로 간병 비용을 충당하기 위해 더 많은 노동을 할 수도 있다. 또한, 전일제에서 시간제로 바꾸며 근로 시간을 줄이면서 간병과 근로를 병행할 수 있다. 이러한 근로의 변화는 근로소득의 감소로 이어질 수 있고 개인 및 가구의 재정적 문제를 가져올 수 있다. 더불어, 경제활동 변화의 양상은 성별에 따라 다르게 나타날 수 있으므로 남성, 여성의 하위 집단으로 나누어 비교하고 돌봄 부담의 성별 차이를 확인하고자 한다. 이를 통해 사적 영역에 맡겨져 있는 간병 제도를 공적 역할로 끌어내 가계의 실질적 부담을 완화하는데 논의를 풍성하게 하고 노동력 상실에 대한 보완책이 필요함을 시사할 수 있다. 본 연구는 다음과 같은 준실험적 방법을 활용하여 간병과 경제 활동 변화의 역인과성에 대처하고 가구원의 경제활동 변화 양상을 파악하였다. 먼저, 성향점수매칭(Propensity Score Matching, PSM)을 통해 대상자를 선정하여 관찰 가능한 특성에 의한 선택 편의를 대처하였다. 분석은 일반화 이중차분법(Generalized Difference-in-Difference, GDD)과 패널고정효과를 결합한 모형을 활용함으로써 관찰 불가능한 특성에 의한 선택 편의를 줄였으며, 간병이 시행되기 2년 전을 기준으로 시행 후 2년 후까지의 경제활동 변화 양상을 파악하였다. 분석 자료는 한국의료패널 2008년에서 2018년까지의 자료를 활용하였고 5개년도 균형 패널 자료를 구축하여 분석하였다. 분석 결과 암 환자의 가족 간병은 가구원의 경제활동에 부정적인 영향을 미치는 것으로 나타났다. 가족 간병을 하는 가구원은 그렇지 않은 경우에 비해 간병 1년 후 근로 활동을 유지하는 비율이 9.2%p(p<0.001) 낮았다. 특히 남성은 유의한 차이가 없는 것에 비해 여성의 경우 근로 활동 유지 확률이 대조집단에 비해 21.1%p(p<0.001) 낮은 것으로 확인되어, 여성에게서 돌봄의 부담이 더 큰 것을 알 수 있었다. 전일제에서 시간제로 이동하는 근로 시간 형태 변화의 경우 유의한 차이가 없었다. 근로를 유지하는 비율이 유의하게 감소한 것에 비해, 근로 시간 형태의 차이가 없는 것은 전일제 근로자가 간병으로 인해 근무를 제대로 할 수 없는 상황일 때 시간제로 바꾸어 근로 활동을 유지하기보다는 노동 시장의 이탈을 선택한다고 볼 수 있다. 가구 총 근로소득은 간병 당해연도부터 지속적으로 감소하며 간병 2년 후에는 대조집단에 비해 31.2% 낮은 것으로 나타났다(p<0.001). 간병은 가구원 개인의 문제라기보다 가구 전체에 영향을 미쳐 가계 재정에 부정적 결과를 가져오는 것으로 볼 수 있다. 가구 총 비근로소득은 대조집단에 비해 간병 1년 후 일시적으로 87.7% 상승하였다(p<0.01). 가족 간병에 소요되는 비용을 충당하기 위해 부동산/동산, 금융 자산 등을 매각하여 비근로소득을 단기간 높인 것으로 파악할 수 있다. 이러한 현상은 현재 건강보험에서 지급되는 의료비 보장에 간병비가 포함되지 않아 실질적인 비용을 감당하기 위해서는 가구 차원에서 부담을 대응하도록 책임이 전가된 것으로 볼 수 있다. 이처럼 암 환자의 가족은 간병으로 인해 노동 시장 이탈과 소득 감소와 같은 재정적 부담을 떠안게 된다. 의료비 보장을 위한 정책뿐 아니라 간병으로 인한 가구원의 노동력 상실에 대한 보완책이 필요하며, 이를 위해 유연한 근무 환경을 지원하여 근로 활동과 간병을 병행할 수 있도록 지원하여야 한다. 또한, 현재 의료비 보장 항목에 포함되어 있지 않은 간병비를 급여화하여 사적 간병비의 부담 없이 유급 간병을 이용할 수 있도록 보장하여야 한다. 마지막으로, 간병 서비스를 의료기관에서 제공함으로써 사적 영역에서의 간병을 없앨 필요가 있다. 이를 위해 현재 시행되는 간호간병통합서비스 정책의 보완이 필요하다.

건강충격이 노동공급 및 소득에 미치는 영향과 가구의 대응

양동욱 서울대학교 대학원 2020 국내박사

Financial protection to protect households from financial risks due to health problems is one of the main goals of the health system. The role of the health systems is not just about improving health. Sound systems also ensure that people are protected from the financial consequences of illness and death, or at least from the financial risks associated with the use of medical care. In Korea, financial protection has been mainly discussed in terms of expanding benefit coverage of National Health Insurance (NHI). Expanding coverage in terms of medical spending lowers financial barriers to access to health care services and helps prevent households from financial risks. However, it cannot protect against the lowering labor supply and loss of income resulting from health problems. In particular, there is no public sickness benefit in Korea, so the social safety net for the loss of income due to health problems is only limited. In most cases, financial hardship due to health problems is entirely borne by the household. In this context, the analysis of the impact of severe health problems on labor supply and income is essential for public health policy. This study aims to analyze the effects of severe health problems on labor supply and income and the household coping strategies in a causal way. It also aims to analyze the financial consequences as a result of financial risks and household responses to health shock and to assess the contribution of income (ability-to-pay) changes to these. In this study, the concept of health shock was used as a severe health problem that was“unexpected” and “needed urgent treatment.” At the data level, it was defined as the occurrence of severe diseases such as cancer, heart disease, and cerebrovascular disease. In Part 1, the causal effects of health shock on labor supply and income were estimated using Propensity Score Matching (PSM) and Generalized Difference-in-difference model (GDD) with individual fixed effects. As a result, health shock negatively affected the labor supply and personal earned income, which in turn negatively affected household earned income. On the other hand, unearned household income increased at the time of the health shock. As a result of the subgroup analysis, women were more negatively affected than men in terms of labor supply, and men were more negatively affected than women in personal earned income. In the case of household earned income, the group with the lowest economic level at the baseline is the most vulnerable. In Part 2-1, the causal effects of health shock on spousal labor supply was estimated using PSM and GDD with individual fixed effects. The results showed that in most cases, health shock had no significant effect on the labor supply or personal earned income of the spouse. However, in the long run, spouses who were working at the baseline had a positive impact on personal earned income. Overall, the results of Part 2-1 did not show any additional worker effects or caregiver effects explicitly. In Part 2-2, the householdʼs financial coping strategies after health shock were analyzed. The financial coping strategies were to analyze changes in non-medical consumption, savings, and sub-items of unearned household income (real estate/property income, financial income, social insurance, private insurance, public transfer income, private transfer income, and other income). GDD was used in estimation, and Tobit model analysis was also performed considering some of the dependent variables with left censored. The results showed that health shock had a positive effect on unearned household income and private insurance-related income at the time of the health shock, mainly due to the benefits of private health insurance. This result was relatively consistent in the subgroup analysis. On the other hand, household non-medical consumption (household consumption except medical spending) remained at a similar level before and after the health shock. In Part 3, the financial consequences as a result of financial risks and household responses to health shock were analyzed, and the contribution of income (ability-to-pay) changes to the financial consequences was assessed using the decomposition method. The financial consequences were measured by the incidence of catastrophic health expenditure (CHE) and the share of out-of-pocket spending in ability-to-pay (SHARE). As a result, the health shock has led to a significant increase in CHE and SHARE. Notably, the financial consequences were the worst at the time of the health shock, when medical expenses were concentrated, but the amount decreased over time. To assess the contribution of income changes to deteriorated financial consequences after health shock, the financial consequences when households maintained their income as the level of that before health shock were calculated and compared with the previous results. As a result, income change (income loss) factors contributed significantly to worsened financial consequences, which grew more significant over time after health shock. In conclusion, it was found that severe health problems led to considerable financial hardship for individuals and households in causal terms. In particular, it is meaningful that the loss of income contributes significantly to the deteriorated financial consequences when severe health problems occur. In order to achieve financial protection, which is one of the main goals of universal health coverage and health systems, it is essential not only to expand benefit coverage of NHI but also to secure the loss of income due to health problems. The author hopes that further studies and discussions will become more active based on the results of this study. 건강문제로 인한 재정적 위험으로부터 가구를 보호하기 위한 재정적 보호(Financial protection)는 보건체계의 주요 목표 중 하나이다. 보건체계의 역할은 질병의 예방, 치료, 재활 등 건강을 증진시키는 것에만 국한되지 않으며, 좋은 체계는 질병이나 죽음에 따른 결과 또는 적어도 의료이용과 관련된 재정적 위험으로부터 사람들을 보호하는 역할을 한다. 한국에서 재정적 보호는 주로 건강보험의 보장성 강화 측면에서 논의되어 왔다. 의료비 지출 측면의 보장성 강화 노력은 필요한 의료서비스를 충분한 수준으로 이용할 수 있도록 재정적 장벽을 낮추고, 의료비 지출로 인해 가구가 재정적 위험에 빠지는 것을 막는데 기여한다. 하지만 건강문제 발생에 따른 노동공급의 감소나 중단, 그로 인한 가구의 소득상실은 보호하지 못한다. 특히 한국은 공적 상병수당제도가 없어 건강문제로 인한 소득상실에 대한 사회적 안전망이 제한적으로만 작동하고 있는 상황으로, 건강문제로 인한 소득상실에 따른 재정적 어려움은 대부분의 경우 온전히 당사자와 그 가구의 부담으로 남아있다. 재정적 보호라는 관점에서 심각한 건강문제가 노동공급과 소득에 미치는 영향에 대해 분석하는 것은 보건학적으로 매우 중요하다. 본 연구는 한국에서 심각한 건강문제의 발생이 노동공급과 소득에 미친 영향과 그에 대한 가구의 대응에 대해 인과적 측면에서 분석하는 것을 목적으로 한다. 또한, 건강문제로 인한 재정적 위험과 그에 대한 가구의 대응의 결과로서 가구의 재정적 결과를 분석하고, 이에 대한 가구의 소득(지불능력) 변화 요인의 기여 정도를 평가하는 것도 목적으로 한다. 본 연구에서는 “예상하지 못한”, “긴급한 치료를 필요로 하는”심각한 건강문제를 건강충격의 개념으로 사용했고, 자료분석에서는 구체적으로 암, 심장질환, 뇌혈관질환 등의 중증질환의 발생으로 정의했다. 분석1에서는 건강충격이 노동공급과 소득에 미치는 영향을 성향점수매칭과 일반화 이중차분모형을 이용해 분석했다. 분석 결과, 건강충격의 발생은 개인의 노동공급과 근로소득에 음의 효과를 보였고, 그에 따라 가구근로소득에도 음의 효과가 지속적으로 나타났다. 반면, 가구비근로소득은 건강충격 발생 시점에 대조집단에 비해 처치집단에서 유의하게 더 증가하였다. 하위집단 분석 결과, 노동공급에 대해서는 남성보다 여성이 음의 효과가 더 컸고, 개인근로소득에 대해서는 여성보다 남성이 음의 효과가 더 컸다. 가구근로소득의 경우에는 가구 경제수준이 가장 낮은 집단이 건강충격에 가장 취약함을 보였다. 분석2-1에서는 건강충격이 배우자의 노동공급에 미친 영향을 성향점수매칭과 일반화 이중차분모형을 이용해 분석했다. 분석 결과, 건강충격의 발생은 대부분의 경우 배우자의 노동공급이나 근로소득에 유의한 영향이 없는 것으로 나타났다. 다만, 남편이나 아내에게서 건강충격이 발생하기 이전 시점에 노동공급 중이던 배우자의 경우에는 장기적으로 개인근로소득에 양의 효과가 있었다. 본 연구에서는 추가노동자효과나 간병인효과가 뚜렷하게 확인되진 않았다. 분석2-2에서는 건강충격 발생 이후 가구의 재정적 대응을 분석했다. 이때 재정적 대응으로 비의료성 소비지출, 저축액, 가구비근로소득의 세부 항목의 변화에 대해 분석했다. 분석 모형에는 일반화 이중차분모형을 이용했고, 일부 종속변수의 경우 좌측 중도절단된 것을 고려해 토빗모형 을 이용했다. 분석 결과, 건강충격의 발생은 당해연도의 가구비근로소득과 민간보험 관련 소득에 긍정적인 영향이 있었는데 이는 주로 질병 발생으로 인한 민간의료보험의 보험금 지급으로 유의하게 증가한 것으로 보인다. 이는 하위집단 분석에서도 비교적 일관된 결과를 보였다. 반면, 의료비를 제외한 가구의 소비지출(비의료성 소비지출)은 건강충격 발생 전후 비슷한 수준을 유지하며, 모형 분석에서도 유의한 결과가 나타나지 않았다. 분석3에서는 건강문제로 발생한 재정적 위험과 가구의 대응에 따른 결과로서 가구의 재정적 결과를 분석하고, 이를 분해 방법을 이용해 가구의 소득(지불능력) 변화의 측면에서 그 기여 정도를 측정했다. 이때, 재정적 결과는 재난적 의료비 발생률과 지불능력 대비 의료비 지출로 측정했다. 분석 결과, 건강충격 발생은 재난적 의료비 발생률과 지불능력 대비 의료비 지출에 큰 증가를 가져왔다. 특히, 의료비 지출이 집중되는 건강충격 발생 시점에서 재정적 결과가 가장 나빴으나 시간이 지남에 따라 그 정도가 감소했다. 악화된 재정적 결과에서 소득변화 요인이 기여하는 바는 어느 정도인지를 계산하기 위해 가구가 건강충격 발생 이후에도 건강충격 발생 이전의 소득수준(지불능력)을 유지했을 경우의 재정적 결과를 계산하였고, 이를 앞선 결과와 비교하였다. 그 결과, 악화된 재정적 결과에 소득변화(감소) 요인은 상당한 정도를 기여했으며, 건강충격 발생 이후 시간이 지날수록 그 정도는 더 커졌다. 결론적으로, 건강충격은 개인과 가구에 상당한 재정적 어려움을 발생시키는 것을 인과적 측면에서 확인했다. 특히 본 연구에서 심각한 건강문제가 발생했을 때 악화된 가구의 재정적 결과에는 의료비 지출뿐만 아니라 소득상실이 상당히 기여하고 있음을 확인한 것은 상당한 의미가 있다. 본 연구의 분석 결과를 바탕으로 재정적 보호라는 보편적 건강보장과 보건체계의 목적을 달성하기 위해서는 의료비 측면의 보장성 강화뿐만 아니라 소득상실에 대한 보장을 마련하는 것도 매우 중요하다는 결론을 얻을 수 있었다. 본 연구의 결과를 토대로 관련된 논의와 후속 연구가 보다 활발해지길 기대한다.

Comparison of propensity score methods flexible to model misspecification

강문종 Graduate School, Yonsei University 2020 국내석사

In an observational study, there may be differences in the distribution of pre exposure characteristics between treated and non-treated groups. This difference also affects the outcome. To address this, propensity score methods are frequently used. These methods remove the imbalance by making subgroups that have similar pre treatment characteristic distribution or creating synthetic samples by weighting. Propensity score methods are needed to specify propensity models, and misspecification of the propensity model brings notable bias to the outcome analysis. Researchers have proposed many methods which are less sensitive to the model specification to reduce the bias when the model is built to incorrect specifications. The purpose of this paper is to compare the proposed propensity estimation methods which are flexible to wrong model specification with weighting and matching methods in various scenarios. Biases, absolute bias, and MSE are used to evaluate the performance of estimating the average treatment effect (ATE), and average standardized mean difference (ASMD) is applied to check whether the covariates are balanced. From the simulated example, the scenario, the correct model specification for the generalized linear model (GLM) shows the best result for the bias, but it becomes less effective as the model complexity increases. The generalized boosted model (GBM), however, gives consistent results regardless of the model specification. Among the analysis methods incorporating propensity score, matching weight (MW) is the most effective method to reduce the bias. In terms of covariate balancing, ATE shows similar result to the bias, GLM is the worst, and GBM is the best. Matching has the smallest average standardized mean difference (ASMD). In the propensity estimation procedure, the interpretational aspect of the model is not emphasized. So GBM could be a powerful alternative to estimate propensity score. Furthermore, although matching analysis reduces ASMD better than the other methods, it also reduces the sample size. In case that sample size is small, using matching weights as an analysis method is preferable.