[论文解读] Spatial Discrete Choice and Spatial Limited Dependent Variable Models: a review with an emphasis on the use in Regional Health Economics

Anna Gloria Billé, Giuseppe Arbia|arXiv (Cornell University)|Feb 9, 2013

Spatial and Panel Data Analysis参考文献 202被引用 14

一句话总结

本文综述了空间离散选择模型与受限因变量模型，重点探讨其在区域卫生经济学中的应用。文章整合了空间计量经济学在二元与分类结果变量方面的最新方法进展，强调了在健康相关决策中考虑空间依赖性与异质性的模型，特别关注提升空间相关数据下政策相关推断的准确性。

ABSTRACT

Despite spatial econometrics is now considered a consolidated discipline, only in recent years we have experienced an increasing attention to the possibility of applying it to the field of discrete choices (e.g. Smirnov, 2010 for a recent review) and limited dependent variable models. In particular, only a small number of papers introduced the above-mentioned models in Health Economics. The main purpose of the present paper is to review the different methodological solutions in spatial discrete choice models as they appeared in several applied fields by placing an emphasis on the health economics applications.

研究动机与目标

• 解决在卫生经济学中应用空间计量模型处理离散与受限因变量时存在的方法空白。
• 回顾各类应用领域中空间离散选择模型的方法发展。
• 强调这些模型在区域卫生经济学研究中的相关性与适应性。
• 为研究人员提供二元与分类健康结果中空间依赖性建模的全面概述。
• 支持对空间相关健康决策（如服务利用与提供者选择）的改进建模。

提出的方法

• 综述通过空间误差或空间滞后结构纳入空间依赖性的空间 probit 与 logit 模型。
• 考察离散结果的条件与联合空间模型，包括空间自回归与空间误差分量的使用。
• 介绍在不同分布假设下对空间离散选择模型使用最大似然估计的方法。
• 考虑基于模拟的估计技术（如 GHK 模拟器），用于处理空间设定中高维积分的模型。
• 综述空间滤波与空间特征向量方法在离散选择框架中捕捉空间依赖性的应用。
• 比较频率学派与贝叶斯方法在空间受限因变量模型中的推断，尤其针对小样本情形。

实验结果

研究问题

• RQ1 如何正确建模离散健康结果中的空间依赖性，以避免偏差推断？
• RQ2 在区域卫生经济学中，空间 probit 与 logit 模型之间的关键方法差异是什么？
• RQ3 空间滞后与空间误差结构在改善健康相关离散选择模型的拟合度与解释力方面有何作用？
• RQ4 用于受限因变量的空间计量模型如何提升区域卫生体系中的政策评估？
• RQ5 在真实世界健康数据中估计空间离散选择模型时，存在哪些实际挑战及应对方案？

主要发现

• 当健康数据中存在空间依赖性时，空间离散选择模型相比非空间替代模型能显著提升模型拟合度并减少偏差。
• 引入空间误差或空间滞后分量可提高健康服务利用模型中边际效应估计的准确性。
• 基于模拟的估计方法（如 GHK 模拟器）对于处理空间离散选择模型中多变量正态概率的不可解积分至关重要。
• 空间滤波技术为传统空间自回归模型提供了计算高效的替代方案，尤其适用于大规模数据集。
• 贝叶斯估计方法在小样本情形下提供更可靠的推断，特别是在空间依赖性较弱或较复杂时。
• 将这些模型应用于区域健康数据揭示了在健康服务采纳与提供者选择模式中存在显著的空间溢出效应。