&nbsh1;

 

高维附加信息下的商业医疗保险费用评估模型和方法

　　F840.684 ：A 1004-4892(2013)04-0058-08

　　商业医疗保险是社会医疗保障体系最主要的补充支柱。在社会医疗保险中，医疗费用的评估非常重要，但是由于医疗费用数据分布的特殊性[1]，例如费用数据往往呈偏态分布；医疗费用和保险者的生存时间有密切的联系；由于有删失和死亡事件的发生，导致患者的医疗费用在这两种情况下是不相互独立的；还有部分投保者在一定时间内没有费用的发生等等。这些都给医疗费用的评估带来了很大的挑战。在国外，已经有大量文献定量研究医疗费用，提出了许多精确刻画医疗费用的一些统计模型和方法。在医疗费用中普遍使用的方法包括数据变换方法[2][3][4]、广义线性模型方法[5][6]、混合参数分布模型方法[7][8][9]、混合效应模型方法[10]等等。Mihaylova(2010)[11]针对此问

　　广义线性模型是目前医疗费用分析中比较普遍的一种方法。然而，广义线性模型总是假定联系函数是一个已知函数，而这个已知函数的选择需要专业知识。另外，广义线性模型总是基于低维附加信息进行统计分析，当含有所有高维协变量的时候，传统的广义线性模型不再适用。随着生物技术的大力发展，基因表达(gene expression)和单核苷酸多态性(single nucleotide olymorphism-SNP)分析等的出现，使得新类型的数据往往含有大范围的附加信息，即所谓的“高维协变量”。

　　针对现有医疗费用评估方法中存在的局限性，本文将Lin(2003)[6]的模型延伸到可以允许含有高维附加信息的医疗费用评估模型，然后提出一个新的评估方法，从而更准确地评估医疗费用。该模型有两个特点：一是可以允许高维附加信息的存在，二是假设联系函数总是未知的。最后通过模拟和实例分析来评价我们提议的模型和方法。