8.1 Multivariate analysetechnieken in het wild – Deel II
CPB = Bureau voor Economische Beleidsanalyse
Onafhankelijk instituut
Analyses op eigen initiatief
Zorg: ramingen van de zorguitgaven en onderzoek
Voorbeeld van een raming
Waar doet CPB onderzoek naar?
Vrijwillig eigen risico; wie kiest er voor een hoog eigen risico en welk effect heeft dat op
zorggebruik?
Artsen binnen ziekenhuizen; maakt het uit hoe je ze betaalt? Per behandeling of een vast
salaris?
Premiestelling; hoe reageren verzekerden? Overstappen of niet?
Causaliteit en correlaties
Causaal: actie A impliceert effect B
Correlatie: actie A hangt samen met effect B
Causale verbanden meten
RCT (gerandomiseerd experiment)
Quasi-experimenteel onderzoek
o Evaluaties van schokken of discontinuïteiten in beleid
Plotselinge verhoging eigen risico, plotseling wegvallen van patiënten, uitvoeren van nieuw
beleid
RCT voorbeeld
Heeft medicatiebeoordeling (MBO) bij 70+'ers een effect op de totale zorguitgaven? Je vraagt 70+'ers
mee te doen aan een experiment. Deel ze in in een groep mét MBO en zonder MBO en meet na een
jaar de gemiddelde zorguitgaven. Hier kan je een conclusie aan hangen.
, Wat kan er fout gaan?
Selectieprobleem
o Ouderen die kiezen om behandeld te willen worden verschillen van ouderen die
kiezen om niet behandeld te worden.
Oplossing: randomiseren
Uitvallers tijdens experiment
o Mensen houden zich niet aan de voorwaarden, vallen uit of overlijden
Oplossing: ga na of uitval met experiment te maken heeft en verwijder
uitvallers uit je analyse
Randomisering hoeft niet vergelijkbaarheid te impliceren. Na randomisering hoeven groepen niet
perfect vergelijkbaar te zijn.
Oplossingen
Corrigeer met regressietechnieken voor observeerbare verschillen (leeftijd, geslacht,
ziektebeeld etc.)
Probleem is groter bij kleine aantallen, dus maak de groepen groter als oplossing
Wat er nog meer fout kan gaan: zorguitgaven verschilden ook al vóór het experiment. Oplossingen
Pas "differences-in-differences" strategie toe
o Eerste verschil: controlegroep --> 1600-1500 = 100 euro, behandel groep: 1750 -
1850 = -100 euro
o Tweede verschil: MBO reduceert kosten met 100--100 = + 200 euro
Parallel trend assumptie
Zorguitgaven van de behandelgroep en controlegroep volgen verschillende trends voorafgaand aan
het experiment. Het gevonden effect is dus niet causaal maar komt door verschillen in trends. Door
parallel trend assumptie toe te passen los je dit probleem op. Je corrigeert voor het effect. Je moet
eerst laten zien dat de 2 lijnen parallel lopen om goed te kunnen meten wat het effect is.
CPB = Bureau voor Economische Beleidsanalyse
Onafhankelijk instituut
Analyses op eigen initiatief
Zorg: ramingen van de zorguitgaven en onderzoek
Voorbeeld van een raming
Waar doet CPB onderzoek naar?
Vrijwillig eigen risico; wie kiest er voor een hoog eigen risico en welk effect heeft dat op
zorggebruik?
Artsen binnen ziekenhuizen; maakt het uit hoe je ze betaalt? Per behandeling of een vast
salaris?
Premiestelling; hoe reageren verzekerden? Overstappen of niet?
Causaliteit en correlaties
Causaal: actie A impliceert effect B
Correlatie: actie A hangt samen met effect B
Causale verbanden meten
RCT (gerandomiseerd experiment)
Quasi-experimenteel onderzoek
o Evaluaties van schokken of discontinuïteiten in beleid
Plotselinge verhoging eigen risico, plotseling wegvallen van patiënten, uitvoeren van nieuw
beleid
RCT voorbeeld
Heeft medicatiebeoordeling (MBO) bij 70+'ers een effect op de totale zorguitgaven? Je vraagt 70+'ers
mee te doen aan een experiment. Deel ze in in een groep mét MBO en zonder MBO en meet na een
jaar de gemiddelde zorguitgaven. Hier kan je een conclusie aan hangen.
, Wat kan er fout gaan?
Selectieprobleem
o Ouderen die kiezen om behandeld te willen worden verschillen van ouderen die
kiezen om niet behandeld te worden.
Oplossing: randomiseren
Uitvallers tijdens experiment
o Mensen houden zich niet aan de voorwaarden, vallen uit of overlijden
Oplossing: ga na of uitval met experiment te maken heeft en verwijder
uitvallers uit je analyse
Randomisering hoeft niet vergelijkbaarheid te impliceren. Na randomisering hoeven groepen niet
perfect vergelijkbaar te zijn.
Oplossingen
Corrigeer met regressietechnieken voor observeerbare verschillen (leeftijd, geslacht,
ziektebeeld etc.)
Probleem is groter bij kleine aantallen, dus maak de groepen groter als oplossing
Wat er nog meer fout kan gaan: zorguitgaven verschilden ook al vóór het experiment. Oplossingen
Pas "differences-in-differences" strategie toe
o Eerste verschil: controlegroep --> 1600-1500 = 100 euro, behandel groep: 1750 -
1850 = -100 euro
o Tweede verschil: MBO reduceert kosten met 100--100 = + 200 euro
Parallel trend assumptie
Zorguitgaven van de behandelgroep en controlegroep volgen verschillende trends voorafgaand aan
het experiment. Het gevonden effect is dus niet causaal maar komt door verschillen in trends. Door
parallel trend assumptie toe te passen los je dit probleem op. Je corrigeert voor het effect. Je moet
eerst laten zien dat de 2 lijnen parallel lopen om goed te kunnen meten wat het effect is.
