Elastisitas permintaan perawatan kesehatan menurut jenis layanan

Randall P. Ellisa,∗, Bruno Martinsa, Wenjia Zhub

a Boston University, Department of Economics, United States
 b Harvard Medical

School, Department of Health Care Policy, United States

Abstrak
Kami memperkirakan elastisitas harga dalam tahun untuk permintaan layanan perawatan
kesehatan terperinci dengan menggunakan strategi variabel instrumental, dimana masing-
masing biaya bulanan dibebankan pada saham biaya rata-rata tahunan rencana kerja. Sebuah
spesifikasi yang menggunakan harga rabun jauh ke belakang memberikan hasil yang lebih
masuk akal dan stabil daripada menggunakan harga rabu ke depan. Dengan menggunakan 171
juta orang-bulan yang mencakup 73 pengusaha dari tahun 2008 sampai 2014, kami
memperkirakan bahwa elastisitas permintaan secara keseluruhan oleh konsumen rabun
kembali adalah -0,44, dengan elastisitas permintaan yang lebih tinggi untuk obat-obatan (-
0,44), para spesialis mengunjungi (-0.32), MRI (-0,29) dan penyalahgunaan kesehatan mental
/ substansi (-0,26), dan elastisitas yang lebih rendah untuk kunjungan pencegahan (-0,02) dan
ruang gawat darurat (-0,04). Respons permintaan lebih rendah untuk anak-anak, di perusahaan
besar, di antara karyawan yang bekerja per jam, dan orang-orang yang sakit. Keseluruhan
metode ini tampaknya menjanjikan untuk memperkirakan elastisitas layanan yang sangat
terpilah meskipun pendekatannya tidak berjalan dengan baik pada layanan yang sangat mahal
atau terus-menerus.

1. Pendahuluan
Makalah ini meninjau ulang isu klasik tentang elastisitas harga permintaan untuk layanan
perawatan kesehatan, topik yang sangat penting untuk memahami moral hazard dan rancangan
rencana asuransi yang optimal, serta memiliki implikasi penting untuk pilihan rencana
kesehatan, akses terhadap perawatan, perawatan kesehatan biaya penahanan, penyesuaian
risiko, dan risiko finansial. Selain itu, karena rencana asuransi modern menggabungkan fitur
rencana manfaat yang sangat spesifik dalam rancangan mereka, dan fitur ini dapat disesuaikan
untuk kelompok demografis, ketenagakerjaan, atau yang didefinisikan secara geografis,
memahami respons permintaan untuk jenis layanan terpilah merupakan kepentingan kebijakan
yang signifikan. Dalam makalah ini, kami menggunakan teknik variabel instrumental baru
pada sampel yang sangat besar (171 juta orang-bulan) untuk menghasilkan perkiraan elastisitas
harga jangka pendek dari permintaan di antara tertanggung secara pribadi untuk jenis layanan
dan sub kelompok populasi agregat dan terpilah-pilah. . Banyak elastisitas kami, terutama
untuk layanan yang tidak banyak digunakan (mis., MRI, perawatan penyalahgunaan /
penyalahgunaan mental, uji laboratorium, dan penggunaan ambulans), tidak mungkin
diperkirakan pada sampel ukuran kecil atau sederhana.
Tantangan yang menonjol ketika memperkirakan elastisitas harga permintaan untuk perawatan
kesehatan adalah mengendalikan endogenitas harga yang berasal dari pilihan rencana
kesehatan endogen. Beberapa strategi penilaian telah digunakan dalam penelitian sebelumnya
untuk mengatasi kesulitan ini, termasuk uji coba kontrol acak (RCT) (Manning et al., 1987),
eksperimen alami (Duarte, 2012; Brot-Goldberg et al., 2017), dan strategi variabel instrumental
(Eichner, 1998; Einav et al., 2015; Kowalski, 2016; Scoggins and Weinberg, 2017). Manning
et al. (1987) memperkirakan respons permintaan perawatan kesehatan menggunakan data RCT
dari RAND Health Insurance Experiment (HIE) yang dilakukan pada pertengahan tahun
1970an, dengan hasil yang mudah dipecahkan, namun ukuran sampel HIE dari 6000 individu
membatasi kemampuannya untuk menghasilkan perkiraan respons permintaan. selain untuk
kategori layanan yang luas dan subpopulasi besar.
Karena RCT mahal dan langka, banyak penelitian telah mengeksploitasi eksperimen alami
yang menyebabkan perubahan harga untuk memperkirakan responsivitas permintaan. Duarte
(2012) adalah contoh baru yang bagus: dia menggunakan data Chili dengan sejumlah besar
rencana kesehatan beragam untuk mempelajari respons permintaan dari kedua pilihan
(kunjungan rumah, kunjungan psikolog, evaluasi terapi fisik) dan akut (appendectomy,
cholecystectomy, arm cast) layanan kesehatan ketika mandat pemerintah memaksa pengusaha
untuk meningkatkan cakupan kemurahan hati mereka. Dengan semangat yang sama, Brot-
Goldberg dkk. (2017) mengeksploitasi eksperimen alami dalam cakupan asuransi kesehatan
ketika satu perusahaan besar memaksa semua karyawannya untuk beralih ke rencana yang
dapat dikurangkan. Mereka menemukan respon permintaan yang cukup besar, bahkan di
kalangan orang sakit siapa yang harus mengharapkan untuk melebihi deductible dan
menghadapi harga akhir tahun yang rendah, menunjukkan bahwa banyak orang rabun, dan
menanggapi dengan kuat harga spot pada saat perawatan diterima, dan tidak hanya perkiraan
akhir yang diharapkan secara teoritis, harga tahun.
Pendekatan terakhir untuk memperkirakan elastisitas tidak bias adalah dengan menggunakan
variabel instrumental untuk mengendalikan endogenitas harga (harga saham) dalam tahun
tertentu. Eichner (1998) mengusulkan sebuah instrumen baru untuk variasi harga dalam
setahun: terjadinya cedera aki (misalnya patah kaki) oleh tanggungan sebagai peristiwa
eksogen yang mengubah pembagian biaya berikutnya dan karenanya mempengaruhi
permintaan pekerja untuk perawatan medis oleh karyawan sendiri. . Dengan membangun
kerangka Eichner, Kowalski (2016) menggunakan departemen gawat darurat yang
menghabiskan korban luka-luka oleh anggota keluarga lainnya di rumah tangga dengan
setidaknya empat anggota untuk memperkirakan responsif permintaannya, di mana instrumen
(apakah anggota keluarga mengeluarkan pengeluaran untuk cedera) memperoleh kekuatannya
dari fakta bahwa acara tersebut meningkatkan kemungkinan bahwa keluarga dikurangkan atau
stop loss dapat terlampaui, sehingga mengurangi harga perawatan marjinal yang dihadapi oleh
anggota rumah tangga yang tersisa. Einav dkk. (2015) menggunakan perubahan pemerintah
dalam cakupan Medicare Part D untuk obat resep sebagai instrumen untuk mempelajari
tanggapan konsumen terhadap pembagian biaya, sementara Scoggins dan Weinberg, (2017)
menggunakan karakteristik rencana sebagai instrumen untuk pembagian biaya aktual yang
tercatat di data klaim Dalam setiap kasus, instrumen didasarkan pada informasi yang bisa
dibilang eksogen terhadap pengalaman pengeluaran pribadi seseorang.
Dua kontribusi utama dari makalah ini adalah penggunaan instrumen baru yang tersedia dan
sangat andal, dan penggunaan data yang sangat besar yang memberi kita kekuatan untuk
memperkirakan elastisitas untuk layanan perawatan kesehatan terpilah. Dalam sampel kami,
setiap orang memberikan dua belas pengamatan bulanan mengenai pembagian biaya dan
keputusan pengeluaran endogen. Kami memasukkan efek tetap setiap tahun yang juga
menyerap semua aspek pemberi kerja, rencana kesehatan, lokalitas, harga sisi penawaran dan
ketersediaan, keluarga, dan variasi kesehatan pasien individu dan variasi dari perkiraan, dan
kemudian memperkirakan elastisitas dengan menggunakan data bulanan. Kami juga
mengontrol tren musim dan waktu menggunakan dummies bulanan. Kami berpendapat bahwa
variasi yang tersisa dalam pembagian biaya dalam tahun berjalan hanya berasal dari pengaruh
jadwal harga nonlinier dalam rencana kesehatan yang dibuat oleh deductible dan stoplosses,
yang kami gunakan untuk memperkirakan dampak pencatatan biaya pada permintaan. Untuk
mengendalikan endogenitas pembagian biaya, kami menggunakan bagian biaya rata-rata
bulanan rata-rata perusahaan, setahun, dan tingkat rencana sebagai satu instrumen untuk biaya
individual, memanfaatkan fakta bahwa perusahaan yang berbeda, dan rencana kesehatan yang
berbeda memiliki luas variasi dalam tahun yang berbeda dalam pembagian biaya mereka. Kami
memberikan bukti bahwa saham rata-rata saham pemberi kerja pada tingkat rencana memiliki
kekuatan yang cukup besar dan berkorelasi sangat lemah dengan rata-rata status kesehatan plan
enrollees.
Kami memperkirakan elastisitas menggunakan data klaim komersial dari tahun 2008 sampai
2014 dengan 171 juta orang-bulan, yang memungkinkan kami memperkirakan elastisitas untuk
jenis layanan perawatan kesehatan yang sangat rinci, biasanya tidak dimungkinkan karena
tingkat utilisasi yang rendah untuk layanan semacam itu. Memahami bagaimana konsumen
bereaksi terhadap perubahan harga saham untuk layanan tertentu penting untuk dipahami
bagaimana perusahaan asuransi merancang rencana kesehatan mereka untuk mengendalikan
moral hazard dan memilih layanan yang ditawarkan. Dalam hal ini, makalah kita mirip dengan
Einav dkk. (2016), yang memperkirakan elastisitas permintaan untuk lebih dari 150 obat
farmasi di Medicare Bagian D.
Kami tidak mengetahui adanya penelitian lain yang telah menggunakan rata-rata harga saham
rata-rata tahunan perusahaan sebagai instrumen. Instrumen kami tidak bergantung pada
karakteristik rinci rencana kesehatan, seperti nilai aktual tingkat deductible, copayments, dan
coinsurance, yang menjadikannya instrumen yang berguna untuk data klaim besar dengan
sedikit tingkat majikan, perencanaan, geografis, rumah tangga, atau individu. variabel. Metode
ini dapat digunakan untuk model pengeluaran atau pemanfaatan pada tingkat agregasi atau
subsampel termasuk pada tingkat prosedur individual dan obat-obatan.
Perbedaan utama antara pendekatan yang digunakan di sini dan makalah lainnya tentang
elastisitas permintaan pengeluaran kesehatan adalah bahwa kita fokus pada respons harga
karena perilaku konsumsi rabun, yang diakibatkan oleh perubahan harga spot, daripada
perkiraan harga akhir tahun yang diharapkan . Literatur yang berkembang telah menunjukkan
bahwa miopia konsumen penting, apakah karena bias saat ini, kesalahan perilaku seperti tidak
sempurna memahami rencana kesehatan seseorang, atau kendala likuiditas (Aron-Dine et al.,
2015; Brot-Goldberg et al., 2017 ; Ericson dan Sydnor, 2017). Seperti dibahas lebih lanjut di
bawah, strategi identifikasi kami bergantung pada miopia menjadi hambatan respons
permintaan yang signifikan.
Mari kita lihat sekilas temuan kami sebelum melanjutkan. Kami menemukan bukti yang jelas
tentang respons jangka pendek terhadap variasi dalam biaya dalam tahun. Kami
mengeksplorasi dua jenis ekspektasi harga, yang kami sebut rabun rabun dan rabun maju, dan
berpendapat bahwa mereka memberikan batas atas dan bawah untuk harga spot rabun raya
tampaknya digunakan saat menentukan berapa banyak yang harus dikeluarkan untuk setiap
jenis layanan perawatan kesehatan. pada bulan tertentu Dua harga myopic kami menghasilkan
elastisitas permintaan yang sangat mirip untuk layanan yang umum digunakan, namun asumsi
rabun jauh ke belakang menghasilkan hasil yang lebih stabil untuk layanan yang jarang
digunakan. Kami memperkirakan elastisitas -0,44 untuk harapan rabun jauh ke belakang versus
-0,41 untuk ekspektasi rabun jauh ke depan. Perkiraan ini konsisten dengan Manning et al.
(1987) perkiraan -0,2 dan Aron-Dine dkk. (2013) menggunakan data HIE, yaitu -0,5. Kami
menemukan heterogenitas dalam elastisitas harga permintaan di seluruh layanan, rencana
kesehatan, dan subkelompok populasi. Elastisitas tertinggi adalah untuk farmasi (-0,44),
kunjungan khusus (-0,32), MRI (-0,29), dan pengeluaran untuk penyalahgunaan kesehatan
mental / substansi (-0,26), dan elastisitas terendah adalah untuk kunjungan pencegahan (-0.02
), dan ruang gawat darurat (-0,04). Mendukung Einav dkk. (2013), kami menemukan bukti
tidak hanya pemilihan yang bias namun juga heterogenitas dalam respons harga, dengan
konsumen dalam rencana kesehatan yang memiliki perubahan pembagian biaya yang besar
(misalnya, HDHP) menghasilkan elastisitas permintaan yang lebih tinggi daripada HMO.
Permintaan elastisitas juga bervariasi secara sederhana oleh usia enrollee, skor risiko, waktu,
cakupan tunggal versus keluarga, gaji versus upah per jam, sektor industri, ukuran perusahaan,
dan tingkat rata-rata perusahaan.
2. Data
Kami menggunakan IBM / Truven Health MarketScan Commercial Claims and Encounter
Database dari tahun 2007 sampai 2014 untuk mengidentifikasi dan mengekstrak informasi
klaim dan pendaftaran untuk semua pengusaha besar dengan setidaknya tiga tahun informasi
pendaftaran dan pengidentifikasi rencana yang dapat diidentifikasi. Kami memeriksa tapi tidak
menemukan majikan dengan jadwal pendaftaran tahunan selain tahun kalender. Kami
menyertakan semua individu, berusia 0-64, memenuhi syarat untuk 12 bulan kalender penuh
tahun ini, dan tetap berada dalam rencana kesehatan yang sama, yang diidentifikasi
menggunakan Plankey MarketScan, pengenal rencana kesehatan yang unik. Kami memerlukan
setidaknya satu bulan kelayakan pada tahun sebelum tahun prediksi, agar dapat menggunakan
informasi yang tertinggal untuk evaluasi (namun bukan perkiraan) hasil kami. Kami
menghitung total pembayaran tertutup dan pembayaran di luar saku (OOP) di setiap bulan
kalender untuk berbagai jenis layanan. Semua dolar dikonversi menjadi dolar pada bulan
Desember 2014 dengan membagi deflator konsumsi pribadi bulanan yang sesuai untuk biaya
perawatan kesehatan dari Biro Analis Ekonomi AS. Pengeluaran bulanan juga disesuaikan
dengan jumlah hari dalam bulan ini untuk menghapus variasi pengeluaran bulanan kecil ini.
Untuk pengamatan di mana pengeluaran bulanan oleh individu positif, kita mendefinisikan
pembagian biaya sebagai rasio antara pengeluaran di luar saku dan pengeluaran total.
Pengeluaran negatif atau kurang dari $ 1 di-reset ke nol, karena sepertinya mencerminkan
penyesuaian pembayaran, bukan penyediaan layanan aktual. Mengetahui nilai pembagian
biaya kontrafaktual jika individu memiliki pengeluaran positif sangat menarik untuk
mempelajari keputusan untuk mencari perawatan, namun hanya sedikit informasi tentang
bagaimana ekspektasi semacam itu terbentuk. Kami membahas di bawah pendekatan kami
untuk menetapkan pembagian biaya khusus layanan (yaitu, harga) yang relevan dengan
konsumen untuk memilih tingkat pengeluaran. Kami juga melakukan analisis sensitivitas
terhadap rencana penurunan yang sangat bergantung pada copayments daripada pembagian
biaya karena insentif dan responsif berpotensi sangat berbeda.
Meskipun jenis rencana masing-masing rencana kesehatan tidak digunakan dalam pendekatan
estimasi kami, kami menggunakan jenis rencana untuk mengevaluasi hasil kami. Untuk studi
ini, kami hanya memasukkan orang-orang yang terdaftar di salah satu dari enam jenis rencana
berikut: organisasi perawatan kesehatan (HMO), layanan titik (POS), organisasi penyedia
pilihan (PPO), komperhensif (COMP), konsumen yang diarahkan rencana kesehatan (CDHP)
dan rencana kesehatan yang dapat dikurangkan (HDHP). MarketScan membedakan CDHP dan
HDHP dari jenis rencana lainnya, bukan dengan ukuran deductible mereka, tetapi apakah ada
akun pengeluaran fleksibel (CDHP), rekening tabungan kesehatan (HDHP), atau tidak (PPO
atau POS). Beberapa rencana PPO atau POS memiliki deductible yang tinggi, walaupun tidak
semua CDHP memiliki biaya tinggi.
Sampel estimasi akhir yang digunakan di sini memiliki data dari 73 karyawan dengan 732
rencana dan informasi tentang 14,2 juta individu tahun dalam enam jenis rencana (Tabel A-1).
Usia rata-rata adalah 34,1 tahun (Tabel A- 2), dan rata-rata pengeluaran tertutup tahunan adalah
$ 4648. Panel besar ini memungkinkan kita untuk memperkirakan elastisitas permintaan harga
sendiri tidak hanya untuk umum, tetapi juga untuk layanan perawatan kesehatan yang relatif
jarang, dan juga untuk berbagai subkelompok karyawan dan populasi. Untuk mengilustrasikan
metode kami, kami memperkirakan elastisitas untuk kategori layanan yang luas (rawat inap,
rawat jalan, dan apotek) serta berbagai jenis layanan khusus yang tidak lengkap (misalnya, ER,
chiropractic, MRI, PET scan, ambulans). Tabel 1 menampilkan statistik ringkasan untuk
kategori layanan yang dimodelkan di sini.
3. Metodologi
3.1. Berapa harga (atau biaya saham) yang penting?
Untuk sebagian besar barang, konsumen bisa memilih berapa biayanya tanpa
mengkhawatirkan bagaimana pembelanjaannya sendiri bisa mengubah harga marjinal yang
dibayarkan. Deductibles, plafon cakupan, dan stoplosses memperkenalkan nonlinearities
sehingga konsumen harus secara rasional melihat ke depan saat membuat keputusan
pembelian. Dalam pemecahan jalan oleh Keeler dan Rolph (1988), harga yang sesuai untuk
konsumen yang digunakan adalah harga akhir tahun yang diharapkan.1 Makalah yang
menggunakan harga akhir tahun yang diharapkan untuk menghitung elastisitas meliputi
Eichner (1998), Kowalski (2016), Aron-Dine dkk. (2015), Einav dkk. (2015), dan Brot-
Goldberg dkk. (2017).
Meskipun secara konseptual menarik, ada banyak bukti bahwa pengambilan keputusan
konsumen secara substansial lebih rabun dari pada model Keeler dan Rolph (1988)
menyarankan, seperti yang mereka sendiri kenali.2 Aron-Dine dkk. (2015) memberikan tiga
alasan mengapa konsumen mungkin tampak rabun: mereka mungkin menderita bias saat ini
dan mengabaikan harga di masa depan; mereka mungkin menderita bias perilaku dan tidak
memahami anggaran nonlinier; atau mereka mungkin terkendala likuiditas. Aron-Dine dkk.
(2015) menolak naif miopia sempurna, namun setuju bahwa "keputusan individu mengenai
Penggunaan perawatan kesehatan kemungkinan mencerminkan tanggapan terhadap harga spot
dan (didefinisikan dengan benar) harga masa depan ". Mereka juga menyarankan bahwa dua
jenis elastisitas mungkin relevan, elastisitas harga spot dan elastisitas harga di masa depan,
dengan elastisitas yang berbeda penting dalam pengaturan yang berbeda. Brot-Goldberg dkk.
(2017) membuat kasus terkuat bahwa konsumen sangat rabun dalam respons mereka terhadap
deductible yang tinggi, tanpa bukti belajar merespons harga bayangan sejati di tahun kedua
setelah bergabung dengan rencana yang dapat dikurangkan.
Dalam tulisan ini, kami fokus pada respons permintaan jangka pendek, yaitu tanggapan
konsumen terhadap harga spot yang tertangkap dalam saham biaya bulanan. Respons
konsumen terhadap penurunan harga spot bulanan selama tahun ini dapat terjadi karena dua
alasan berbeda. Salah satu alasannya adalah konsumen itu rabun, dan gagal meramalkan
bagaimana pengeluaran rutin mereka mempengaruhi harga di masa depan. Alasan lainnya
adalah harga spot bereaksi terhadap guncangan perawatan kesehatan dengan arah yang sama
seperti harga akhir tahun yang diharapkan, dan karenanya harga spot dapat dianggap sebagai
harga akhir tahun yang tidak sempurna dan kami benar untuk hal ini. kesalahan pengukuran
menggunakan pendekatan variabel instrumental. Meskipun kedua mekanisme ini secara
konseptual berbeda, kita tidak membedakan atau mengujinya di sini. Sebagai gantinya, kami
memperkirakan tanggapan jangka pendek dan merangkumnya dalam elastisitas, dengan
menyadari bahwa hal ini dapat menunjukkan respons jangka panjang, terutama untuk
pengeluaran yang dapat diperkirakan sebelumnya.
Untuk menerapkan pendekatan kami, kami memerlukan cara untuk menghitung harga spot
konsumen, yang kami model sebagai respons terhadap pembagian biaya. Mengingat bahwa
tidak ada informasi pembagian biaya selama berbulan-bulan dimana konsumen tidak memiliki
pengeluaran, menggunakan biaya aktual sebenarnya bukanlah strategi yang memadai tanpa
asumsi lebih lanjut mengenai ekspektasi konsumen. Selanjutnya, data kami tidak menyertakan
parameter rencana umum, seperti copayments dan deductible yang memungkinkan kami
memprediksi berapa biaya berbagi jika tidak ada pengeluaran. Beberapa cara untuk
mencerminkan ekspektasi harga diperlukan untuk mengisi semua harga yang hilang.
Kami mempertimbangkan dua mekanisme ekspektasi, yang kemungkinan memberikan batas
atas dan bawah pada harga spot yang relevan. Untuk batas atas, kita mengasumsikan ekspektasi
"backward myopic", di mana konsumen tidak mengetahui harganya sampai setelah
pengeluaran dalam sebulan selesai dan biaya saham benar-benar diperhatikan (mis., Ketika
tagihan diterima melalui pos). Dalam hal ini harga yang relevan adalah beberapa pembagian
biaya yang telah diamati sebelumnya atau diasumsikan, yang merupakan kerangka pandang
terbelakang. Kami menerapkannya dengan menggunakan pembagian biaya bulanan aktual
untuk setiap bulan berikutnya sampai bulan lain dengan pengeluaran positif terjadi, setelah itu
biaya berbagi myopia kembali direvisi. Dalam kerangka pandang terbelakang ini, mudah untuk
menentukan harga setelah kunjungan dilakukan, namun harga awal juga diperlukan untuk
setiap konsumen sebelum mereka melakukan kunjungan, termasuk mereka yang tidak pernah
melakukan kunjungan. Di sini kita membuat asumsi bahwa konsumen memperkirakan bahwa
bagian biaya untuk kunjungan pertama mereka akan menjadi rata-rata pembagian biaya
rencana kesehatan untuk semua konsumen lain di bulan pertama mereka untuk mencari
perawatan. (Jika kita mengetahui fitur sebenarnya dari rencana kesehatan kita, kita mungkin
berasumsi bahwa harga awal dalam sebuah rencana dengan deductible adalah satu, tapi
pendekatan inferensi kita menghasilkan harga yang hampir sama.) Secara khusus, untuk harga
rabun ke belakang, kita menetapkan kepada individu rata-rata porsi biaya Januari dari mereka
yang bekerja untuk perusahaan yang sama dan di bawah rencana yang sama di tahun itu.3
Proses ekspektasi harga lainnya yang kami modelkan adalah konsumen "rabun maju". Individu
rabun ke depan tidak hanya tahu berapa biaya berbagi pada saat layanan tersebut dipilih
sebulan, tapi juga menggunakan harga itu untuk membuat keputusan sebelum kunjungan
pertama itu. Oleh karena itu, jika kunjungan pertama konsumen dengan jenis layanan tertentu
terjadi pada bulan Maret, maka kami menggunakan biaya sebenarnya yang dibayarkan pada
bulan Maret untuk layanan tersebut sebagai harga untuk semua bulan Januari sampai Maret.
Jika tahun berakhir dengan rentang satu atau beberapa bulan tanpa kunjungan, kami
melanjutkan pembagian biaya yang digunakan pada bulan terakhir untuk sisa tahun ini. Untuk
melengkapi model ini, kita perlu memikirkan harapan bagi konsumen yang tidak pernah
berkunjung. Secara khusus, kami berimplikasi pada semua bulan rata-rata bulan Januari di
antara perusahaan dan perusahaan yang sama.
Gambar 1 menunjukkan diagram skematik tentang bagaimana harga ditetapkan untuk orang
hipotetis yang melakukan kunjungan pada bulan Maret dan September dalam sebuah rencana
dengan dikurangkan dan diikuti oleh stoploss. Di panel A, individu rabun ke belakang tidak
melakukan kunjungan pada bulan Januari, dan karenanya diberi pembagian biaya rata-rata
bulan Januari. Konsumen rabun ke belakang menggunakan biaya yang sama untuk bulan
Februari dan Maret. Pada bulan Maret, individu ini memperoleh perawatan dan membayar
hanya 0,75 dari biaya, jadi biaya baru yang lebih rendah ini digunakan mulai bulan April
sampai September. Akhirnya, di bulan Oktober, konsumen mengamati pangsa biaya 0,20 dari
bulan sebelumnya dan menyesuaikannya untuk sisa tahun ini.
Di panel B, konsumen rabun maju sepenuhnya mengantisipasi pengeluaran bulan Maret
bahkan di bulan Januari. Dari bulan April dan seterusnya, individu mengharapkan pembagian
biaya menjadi apa yang terjadi pada bulan September, di 0,20. Karena tidak ada pengeluaran
lebih lanjut untuk sisa tahun ini, tingkat yang sama ini juga digunakan sebagai harga rabu ke
depan sampai akhir tahun. Meskipun konsumen rabun maju lebih maju daripada konsumen
rabun jauh, keduanya rabun karena mereka tidak meramalkan menjelang harga akhir tahun dan
malah menggunakan harga spot bulanan. Meskipun demikian, kedua harga ini memberikan
batas atas dan bawah pada harga spot aktual yang masuk akal untuk setiap bulannya.

3.2. Estimasi
Kami menganggap pengeluaran perawatan kesehatan mencerminkan atribut individu (i) (yang
juga secara unik mendefinisikan kontrak rumah tangga),
majikan (e), apakah rencana tersebut untuk keluarga atau cakupan tunggal (f), rencana
kesehatan termasuk jaringan penyedia uniknya sendiri (p), lokasi geografis seperti kabupaten
atau MSA (c), tahun (y) dan bulanan indeks tren waktu (t). Dengan menggunakan Y untuk
variabel dependen, dan CS untuk menunjukkan pangsa biaya konsumen (dibahas di atas)
karena pilihan Y, satu strategi adalah memperkirakan secara langsung hal-hal berikut.
Yit = CSit + ̨i + efpy + ıc + y + t + εit (1) Untuk makalah ini, kami memperkirakan hal berikut
ini lebih sederhana
spesifikasi.
Yit = '̨ iy + CSit + t + εit (2)
dimana 'iy = i + efpy + ıc + y
Persamaan ini memperkirakan hubungan antara pengeluaran dan
pengendalian biaya hanya untuk efek tetap individual dan tren waktu (tahun-bulan) efek tetap,
yang memiliki keuntungan mempercepat perhitungan. Karena termasuk kontrol efek tetap
individual untuk semua karakteristik individual yang tidak berbeda dalam tahun ini,
sebenarnya, kita mengendalikan faktor-faktor seperti usia, jenis kelamin, skor risiko, MSA,
rencana dan variabel lain yang diperbaiki. dalam setahun. Dummies bulanan waktu mengambil
lautan, perubahan dalam tren nasional, dan efek dari setiap guncangan terhadap ekonomi
(seperti resesi). Satu-satunya kovariat dari waktu ke waktu (dalam bulan) adalah biaya bulanan
individu.
Kita sekarang beralih ke masalah bentuk fungsional, dan kemudian variabel instruksional.

3.3. Bentuk fungsional

Variabel dependen kami pada model (2) ditandai oleh fraksi signifikan dari pengeluaran nol
dan ekor yang panjang, fitur yang terkenal dari data pengeluaran perawatan kesehatan. Untuk
mengatasi hal ini dengan menggunakan data tahunan, konvensi dalam literatur adalah
menggunakan log pengeluaran tahunan ditambah satu (Aron-Dine et al., 2013, 2015; Einav et
al., 2013; Davis et al., 2016) .4 Di sini kita memodifikasi konvensi untuk menambahkan
seseorang untuk mengakomodasi kenyataan bahwa kita menggunakan pengeluaran bulanan
daripada tahunan. A priori, kami percaya dengan menggunakan 1/12 membuat hasil kami lebih
sebanding dengan elastisitas perkiraan lainnya yang memodelkan responsivitas tahunan dan
karenanya memilihnya sebagai spesifikasi dasar kami.
Untuk analisis sensitivitas, kami memperkirakan model menambahkan konstanta aditif
alternatif di dalam spesifikasi log, model dua bagian yang serupa dengan Manning et al. (1987)
dan spesifikasi menggunakan transformasi sinus hiperbolik terbalik (Burbidge et al., 1988).
Hasil ini dibahas pada Bagian 5 dan disajikan dalam lampiran.

3.4. Variabel instrumental

Karena biaya saham, termasuk saham biaya myopia myopia dan forward myopia,
mencerminkan pengalaman aktual konsumen, mereka akan bersifat endogen, dan
menggunakannya di OLS untuk estimasi akan menghasilkan perkiraan yang bias. Untuk
instrumen yang valid, kami membutuhkan instrumen kami untuk berkorelasi dengan harga
individual ini, namun tidak terkait dengan guncangan permintaan atau penawaran yang berubah
seiring waktu. Perhatikan bahwa karakteristik perusahaan tetap, rencana, pasar atau individu
diserap oleh efek tetap individual kita, jadi kami mencari instrumen yang berubah selama dua
belas bulan kalender. Penelitian sebelumnya tentang Eichner (1998) dan Kowalski (2016)
menggunakan goncangan tingkat individu dan eksogen (cedera, dan keputusan pengeluaran
anggota keluarga lainnya) yaitu waktu yang bervariasi. Kami menggunakan bukan biaya rata-
rata bulanan untuk konsumen di perusahaan yang sama * tahun * keluarga / single * sebagai
instrumen kami. Untuk membersihkan kontaminasi langsung ini oleh pengalaman konsumen
tertentu, untuk setiap orang kita menggunakan rata-rata "tinggalkan satu", yang tidak termasuk
kontribusi masing-masing orang saat menghitung rata-rata. Oleh karena itu jika ada orang N
dalam sebuah rencana untuk bulan tertentu, kami menggunakan rata-rata orang N-1 dalam
rencana itu. Ukuran ini eksogen terhadap keputusan masing-masing individu, namun
merangkum dengan baik jalur biaya rata-rata biaya karena deductible, coinsur- ance dan
copayments dalam rencana yang diberikan. Uji F kekuatan instrumen kami di setiap regresi
tahap pertama, yang benar untuk kesalahan berkerumun, dan dibahas di Bagian 4.5
Strategi IV kami akan menghasilkan perkiraan yang tidak bias berdasarkan salah satu dari dua
asumsi yang berbeda. Salah satu anggapannya adalah bahwa semua konsumen benar-benar
terbelakang, tidak pernah mengantisipasi dampak pengeluaran mereka sendiri pada bulan
mendatang mengenai biaya, dan karena itu menggunakan pandangan mundur tentang berapa
biayanya di bulan-bulan sebelumnya. Kondisi kemungkinan kedua untuk ketidakberpihakan
adalah bahwa tidak ada pilihan yang bias, sehingga kesehatan, tingkat ke depan, dan campuran
responsif permintaan orang dalam setiap rencana adalah identik. Dalam kasus ini, pembagian
biaya rata-rata agregat dalam suatu rencana juga akan tidak berkorelasi dengan kesalahan yang
mempengaruhi perilaku memandang ke depan individu.
Kami menyadari bahwa instrumen kami tidak sepenuhnya dibersihkan dari kemungkinan
korelasi dengan kesalahan yang mempengaruhi pilihan rencana. Sebagai contoh, jika lebih
banyak orang yang tanggap terhadap permintaan lebih cenderung memilih rencana yang dapat
dikurangkan lebih tinggi (Einav et al., 2013), maka perkiraan elastisitas kita akan lebih erat
menangkap responsif permintaan kelompok ini daripada soal enrollee acak. Tingkat di mana
hal ini dapat menyebabkan bias bergantung pada seberapa banyak orang mengantisipasi
perilaku pengeluaran dan efek yang sesuai dengan jadwal penetapan harga rencana kesehatan.6
Studi kami menderita masalah bahwa setiap penelitian yang menggunakan eksperimen alami
akan menderita, yaitu partisipasi itu. dalam percobaan tidak sepenuhnya acak. Dalam kasus
kami, data panel seimbang karena setiap orang berada dalam rencana berdosa selama dua belas
bulan dengan tepat, namun beberapa peserta menghadapi penurunan yang lebih besar pada
harga spot (dan akhir tahun) daripada yang lain. Ada banyak literatur yang memperkirakan
elastisitas dari eksperimen alami semacam itu.
Jika orang dengan pandangan ke depan lebih jauh atau orang-orang yang sakit (yaitu memiliki
nilai risiko tinggi) dan memiliki kondisi kronis mengantisipasi biaya saham yang lebih rendah
serta mengelompokkan rencana kesehatan yang lebih murah, maka kita harus melihat rata-rata
jumlah biaya agregat menurun dengan skor risiko . Lampiran A-1 menunjukkan bahwa rata-
rata pembagian biaya bulanan hampir seragam didistribusikan di berbagai tingkat skor risiko
rata-rata.
Singkatnya, kami memperkirakan model regresi linier IV menggunakan dua bentuk saham
biaya myopia sebagai variabel utama yang menarik, sementara memasukkan dummy individu
individual dan tahunan. Kami menginstruksikan saham biaya ini dengan rencana "rata-rata
biaya rata-rata saham perusahaan untuk satu bulan yang sesuai". Variabel dependen kami
adalah log (pengeluaran bulanan ditambah 1/12), di mana 1/12 dipilih untuk membuat
perkiraan elastisitas sesuai dengan model data tahunan. Karena model kami adalah spesifikasi
log-linear, kami menghitung elastisitas dari perkiraan regresi dengan membandingkan
koefisien harga perkiraan dengan biaya rata-rata untuk layanan tersebut. Kesalahan dikoreksi
untuk pengelompokan, diasumsikan berada pada level plan-plan-year. Kesalahan standar untuk
elastisitas dihasilkan dengan menggunakan metode delta yang diterapkan pada kesalahan
standar kuadrat terkecil.

4. Hasil
4.1. Hasil grafis
Identifikasi kami bergantung pada variasi selama berbulan-bulan dengan biaya rata-rata serta
variasi dalam rencana kesehatan dalam cakupan manfaat yang ditawarkan, yang mudah dilihat
secara grafis. Gambar 2 menunjukkan pola pembagian biaya bulanan rata-rata menurut jenis
rencana. Ini menunjukkan variasi yang cukup besar sepanjang bulan, di seluruh jenis rencana,
dan jenis layanan yang luas. Ada lebih banyak heterogenitas dalam data kami bahwa biaya
saham bervariasi di antara atasan dan dari waktu ke waktu, yang dirata-ratakan dalam diagram
ini. Ada juga heterogenitas yang cukup besar dalam setiap jenis rencana tunggal. Rencana
deductible yang tinggi memiliki penurunan paling tajam dalam biaya rata-rata saham mereka
secara keseluruhan, sementara HMO memiliki biaya saham yang pada dasarnya konstan.
CDHP, rencana komprehensif, PPO, dan POS terletak antara keduanya. Membandingkan
keempat panel pada gambar, kita dapat melihat bahwa pengeluaran pasien menunjukkan
penurunan paling tajam, diikuti oleh belanja farmasi. Pengeluaran rawat inap menunjukkan
penurunan yang relatif rendah selama berbulan-bulan, dan sangat datar untuk HMO, seperti
yang diharapkan karena mereka mengandalkan kontrol sisi penawaran lebih dari sisi biaya
untuk berbagi biaya. Satu kejutan adalah bahwa HMO memiliki pangsa biaya pembelanjaan
farmasi yang hampir konstan dan relatif tinggi (mencerminkan tingkat copayment yang hampir
tetap) dan mengenakan biaya yang lebih tinggi daripada jenis rencana lainnya pada bulan
Desember.7
Jika belanja perawatan kesehatan responsif terhadap penurunan biaya dalam tahun, dan harga
spot mempengaruhi pengeluaran, maka belanja harus meningkat sepanjang tahun. Dan karena
pembagian biaya menurun lebih banyak di HDHP, CDHP, dan PPO daripada jenis rencana
lainnya, kenaikan ini harus lebih besar untuk jenis rencana ini daripada HMO. Kami tidak
mengetahui adanya penelitian sebelumnya yang telah mendokumentasikan ramalan serupa ini.
Sesuai dengan rata-rata pembagian biaya menurut rencana pada Gambar 2A-D, Gambar 3A-D
menyajikan pengeluaran bulanan rata-rata di masing-masing dari enam jenis rencana kami.
Setiap kolam diagram sepanjang tujuh tahun dan semua atasan, dan karena kita memiliki
sampel seimbang dengan setiap orang dalam dua belas bulan setiap tahun di mana mereka
berada dalam analisis kami, sampel berarti menangkap pertumbuhan dalam pengeluaran dari
waktu ke waktu.
Pola langsung di keempat plot tersebut adalah bahwa biaya biasanya meningkat di semua jenis
rencana kecuali HMO, di mana pengeluaran per bulan hampir rata dari waktu ke waktu. Garis
terendah pada bulan Desember di setiap gambar adalah satu untuk HMO, yang berada tepat di
bawah HDHP. Garis untuk CDHP kurang lebih mengikuti pola HDHPs, rendah namun sangat
meningkat. Di sisi lain, biaya tertinggi untuk rencana kesehatan komprehensif, yang tidak
merawat perawatan, dan juga memiliki jumlah peserta tertua dan biaya rata-rata terendah.
Pengeluaran PPO umumnya tertinggi kedua, tapi juga tumbuh secara berarti seiring
berjalannya waktu.
Panel yang tersisa pada Gambar 3 mengilustrasikan bahwa biaya rata-rata juga meningkat
secara nyata untuk pengeluaran pasien rawat jalan dan belanja obat-obatan. Pertumbuhan
belanja diprakirakan rendah untuk pengeluaran pasien rawat inap, konsisten dengan pola
bulanan yang lebih lambat untuk pembagian biaya rawat inap, namun tren kenaikan HDHP
masih terlihat.
Gambar 4 menunjukkan secara empiris perbedaan metodologi imputasi untuk pengeluaran
keseluruhan, dan untuk tiga kategori layanan dan tiga jenis rencana yang berbeda - HMO, PPO,
dan HDHP. HDHP dan HMO berada pada ujung spektrum variasi biaya bulanan yang berbeda.
Memang, karena pembagian biaya rata-rata di HMO hampir konstan dari awal sampai akhir
tahun, variasinya nyaris nol, membuat imputasi sangat dekat dengan nilai sebenarnya.
Sebaliknya, HDHPs telah menurunkan tajam harga turunan aktual, mundur dan ke depan. Baik
harga miopia terbelakang maupun di atas berada di atas nilai sebenarnya untuk sebagian besar
tahun ini. Hal ini mencerminkan massa individu yang tidak pernah melakukan kunjungan dan
karena itu selalu memiliki harapan harga yang tinggi. Hal ini terutama mencolok dalam kasus
pengeluaran pasien rawat inap, di mana imputasi biaya berbagi hampir konstan dari waktu ke
waktu dan menunjukkan variasi yang sangat kecil sepanjang tahun. Kurangnya variasi bulanan
dalam rencana pembagian biaya rawat inap adalah prekursor mengapa kita merasa sulit
memperkirakan dampak pembagian biaya pada kategori rawat inap seperti ruang dan papan,
dan kategori layanan lainnya dengan presisi bahkan dalam jumlah yang sangat besar.
mencicipi.

4.2. Hasil regresi

Tabel 2 menyajikan hasil IV dari model estimasi (2) pada keseluruhan pengeluaran, pada tiga
kategori layanan (rawat jalan, rawat inap, dan obat-obatan terlarang), dan pada 22 kategori
pengeluaran yang lengkap, tidak saling melengkapi, menggunakan rata-rata pemberi kerja
biaya saham selama sebulan sebagai instrumen. Perkiraan terpisah diprioritaskan untuk model
saham biaya rabun jauh dan ke depan
Keseluruhan elastisitas permintaan diperkirakan mencapai -0,44 dengan menggunakan
ekspektasi biaya biaya myopia back-ward dan -0,41 untuk ekspektasi biaya biaya rabun jauh
ke depan, yang masuk akal dan konsisten dengan sebagian besar literatur sebelumnya.9
Tiga baris berikut dari Tabel 2 menunjukkan heterogenitas antara pasien rawat jalan, rawat
inap dan apotek. Model kami memperkirakan elastisitas hampir identik -0,29 (rabun terkuak)
dan -0,28 (rabun lanjut) untuk layanan rawat jalan. Apotik lebih elastis, pada -0,44 (mundur
rabun) dan -0,51 (rabun lanjut). Einav dkk. (2016) memperkirakan elastisitas obat rata-rata -
0,24 untuk Medicare Part D, populasi yang lebih tua dari sampel kami.10 Pengeluaran rawat
inap diperkirakan memiliki elastisitas statistik yang signifikan -0,30 dengan menggunakan
harga rabun ke belakang versus yang tidak masuk akal -2,35 untuk maju harga myopic
Ketidakstabilan ini adalah gejala dari hampir semua perkiraan elastisitas untuk layanan rawat
inap yang jarang, elastisitas seringkali tidak masuk akal besar dan umumnya tidak tepat. Seperti
yang ditunjukkan sebelumnya, kami percaya ini terjadi karena pendekatan IV kami gagal
menemukan variasi harga dalam tahun yang berarti untuk layanan ini, yang terjadi selalu ketika
pengeluaran bulanan rata-rata untuk kategori tinggi dan hampir selalu menempatkan seseorang
atas deductible dan stoploss mereka. Ini adalah masalah khusus untuk harga myopic maju, jadi
untuk sebagian besar kita fokus pada hasil rabun ke belakang di bagian lain dari bagian ini.
Sisi yang tersisa dari Tabel 2 menggambarkan elastisitas untuk berbagai jenis layanan yang
diminati. Pengeluaran ruang darurat (ER) memiliki elastisitas yang sangat rendah yaitu -0,04
menggunakan harga rabun jauh ke belakang, seperti halnya maternitas (-0,09), sesuai dengan
harapan kita. Permintaan tanggapan untuk layanan kesehatan mental dan penyalahgunaan zat
(MH / SA) adalah elastisitas menengah (-0,26). Ini mungkin mencerminkan kecenderungan
saat ini bahwa kebanyakan orang yang mendapatkan perawatan kesehatan mental profesional
hanya mendapatkan obat atau menerima perawatan MH / SA di perawatan primer (McGuire,
2016), yang konsisten dengan rendahnya pengeluaran untuk perawatan kesehatan mental
khusus yang diamati. dalam data kami Prosedur pembedahan dan Dialisis, dua jenis layanan
yang sangat mahal, merupakan tanda yang salah dan tidak berbeda secara statistik dari nol.
Layanan relatif inelastis lainnya (dengan elastisitas rabun ke belakang di bawah -0,1) adalah
transportasi pencegahan dan ambulans.
Meskipun 171 juta pengamatan tampak seperti contoh yang sangat besar, karena jarang
digunakan namun layanan mahal, tetap sulit untuk mengukur respons permintaan secara tepat.
Tabel 1 membantu mengidentifikasi layanan dengan tingkat pengeluaran positif yang sangat
rendah namun pengeluaran kondisional yang tinggi: prosedur kunjungan ke rumah, dialisis,
dan rawat inap adalah contoh dari hal ini dengan penyimpangan standar yang tinggi.
Kebanyakan orang dengan pengeluaran untuk jenis layanan ini kemungkinan terkait dengan
pengeluaran tahunan yang tinggi, dan dengan demikian melebihi alasan apapun yang dapat
dikurangkan atau stoploss, dan menghadapi variasi harga yang sangat kecil. Ini juga merupakan
argumen yang bagus mengapa biaya berbagi pada layanan semacam itu akan menjadi alat
penahan biaya yang tidak efektif, karena hal itu memberlakukan risiko finansial dengan sedikit
pengaruh pada pengeluaran untuk layanan ini.
Metodologi kami mungkin juga tidak dapat diandalkan untuk layanan yang sangat kronis
karena harga spot rabun mungkin kurang tepat. Pertimbangkan obat-obatan, barang, dan
layanan seperti statin (untuk tekanan darah tinggi), insulin, oksigen, kunjungan kesehatan di
rumah untuk terapi perilaku, fisik, dan okupasi jangka panjang. Pengeluaran untuk layanan ini
sangat mudah ditebak untuk banyak pasien, dan bila mahal, konsumen dapat dengan mudah
memperkirakan melebihi deductible mereka. Pendekatan kami mungkin memiliki beberapa
kekuatan, karena bahkan pengguna layanan ini mungkin memiliki kejutan mengenai jenis
pengeluaran lain yang mempengaruhi biaya saham. Meskipun demikian, keseluruhan
pendekatan kita akan kurang dapat diandalkan untuk jenis pembelanjaan yang terus-menerus.

5. Ekstensi untuk analisis sensitivitas

Pada bagian ini, kami memperkirakan ulang model pada berbagai partisi sampel kami untuk
mempertimbangkan apakah respons permintaan lebih tinggi atau lebih rendah untuk kelompok
tertentu yang dapat diidentifikasi. Karena elastisitas yang diperkirakan sensitif terhadap harga
rata-rata saham di setiap subkelompok, yang dapat bervariasi secara dramatis, hanya ada
perkiraan koefisien kurva permintaan pada semua subkelompok, yang membuatnya dapat
dihitung. Kami kemudian melakukan sejumlah analisis sensitivitas, memeriksa kekokohan
infus kami, dan mempertimbangkan bentuk fungsional alternatif. Semua analisis ini berfokus
pada rumusan harga rabun ke belakang.

5.1. Permintaan tanggapan oleh beberapa contoh terpilih

Pada bagian ini, kami memeriksa koefisien harga (bukan elastisitas) dari total pengeluaran dan
tiga kelompok layanan yang luas untuk berbagai subkelompok sampel kami. Tabel 3
menyajikan hasil analisis kami dengan menggunakan lima partisi berbeda dari individu-tahun
dalam sampel estimasi kami menggunakan formulasi harga miopia mundur. Secara umum, data
kami menyiratkan kesimpulan berikut. Laki-laki dan perempuan tidak berbeda secara statistik.
Pengeluaran untuk anak-anak kurang elastis daripada pengeluaran untuk orang dewasa.
Permintaan farmasi menjadi lebih elastis dari tahun 2008 sampai 2014. Orang dewasa dalam
hubungan dengan keluarga tunggal versus keluarga serupa dengan responsivitas permintaan
mereka, namun anak-anak kurang responsif terhadap harga. Enrollees di HMO kurang
responsif terhadap harga dibandingkan dengan daftar HDHP untuk belanja rawat jalan namun
tidak belanja farmasi. Temuan terakhir tentang apotek ini berimplikasi pada kerja Brot-
Goldberg dkk. (2017) yang berfokus pada perubahan permintaan dari perusahaan yang secara
signifikan meningkatkan deductible, dan menemukan elastisitas permintaan yang relatif besar.
Hasil ini juga konsisten dengan hasil penelitian Einav et al. (2015) yang mendokumentasikan
heterogenitas permintaan farmasi Medicare.
Tabel 4 menunjukkan hasil dari berbagai kelompok terkait pekerjaan. Kami menemukan yang
berikut. Enrollees yang bekerja di sebuah perusahaan di bidang transportasi, komunikasi, atau
utilitas memiliki kurva permintaan harga yang paling responsif. Per jam, pegawai non serikat
pekerja kurang responsif dibanding kelas gaji lainnya. Enrollees di perusahaan dengan biaya
rendah memiliki permintaan inelastis yang lebih banyak daripada perusahaan-perusahaan
dengan biaya tinggi. Permintaan secara keseluruhan kurang responsif pada perusahaan dengan
lebih dari 200.000 karyawan daripada di perusahaan kecil.
Kami menyajikan ringkasan dampak pembagian biaya pada beragam populasi dan sub
kelompok kerja kerja tanpa mencoba untuk membedakannya, terutama sebagai contoh
kekuatan menggunakan instrumen yang tersedia dalam sampel besar untuk mengeksplorasi
perbedaan dalam dimensi semacam itu. Studi yang hanya menggunakan data survei atau satu
perusahaan tidak akan memiliki kekuatan untuk mengatasi masalah halus yang mungkin
menjadi kepentingan kebijakan yang cukup besar.
5.2. Kekokohan
Satu kekhawatiran tentang IV kita adalah bahwa biaya saham berkorelasi dengan tingkat
pandangan ke depan konsumen. Oleh karena itu kami menghasilkan dan memeriksa Lampiran
A-1 untuk semua pengeluaran dan untuk tiga kategori layanan kami yang luas. Sumbu
horisontal memilah interval prospektif DxCG relative risk score (RRS) untuk setiap orang
berdasarkan informasi diagnostik tahun sebelumnya. Di sini nilai RRS tertinggi sesuai dengan
tujuh kali pengeluaran rata-rata, sedangkan interval RRS terendah adalah 0,1, yang hanya 10
persen dari populasi rata-rata. Analisis tersebut menunjukkan bahwa, seperti yang diharapkan,
harga rabun ke belakang dan rabun ke belakang memiliki kemiringan yang tajam: orang yang
sakit lebih cenderung melebihi deductible atau komponen dan membayar biaya yang lebih
rendah. Tapi kemiringan yang turun ke bawah untuk pengusaha berarti pembagian biaya aktual
menunjukkan bahwa di atas semua hanya ada korelasi yang lemah antara instrumen kami dan
status kesehatan rata-rata peserta ujian: Kemiringan sedikit menurun menunjukkan bahwa
peserta yang lebih sakit cenderung bekerja di perusahaan. bahwa rata-rata memiliki cakupan
yang lebih murah, sehingga rata-
Biaya umur sedikit lebih rendah dari rata-rata populasi. Idealnya tidak akan ada hubungan
antara "leave out one" mean cost shares dan RRS. Hubungan sederhana yang diamati
menyiratkan bahwa elastisitas permintaan yang diperkirakan akan sedikit terlalu tinggi
daripada terlalu rendah. Kami menafsirkan analisis ini dengan mengatakan bahwa strategi IV
kami kuat, meski tidak sempurna.

5.3. Bentuk fungsional alternatif

Lampiran Tabel A-6 melaporkan perkiraan kami dengan menggunakan spesifikasi alteratif log
(Y + 1). Di antara elastisitas statistik signifikan, dengan menggunakan log (Y + 1) dan bukan
log (Y + 1/12) mengurangi elastisitas sebesar 20,8-38,1%.
Kami juga memperkirakan hasil menggunakan model dua bagian (Manning et al., 1987), di
mana tahap pertama memodelkan pilihan biner untuk mencari perawatan dan model tahap
kedua merupakan pilihan terus menerus tentang berapa banyak pengobatan yang akan
diperoleh. Mengingat bahwa kita mengandalkan sejumlah besar efek tetap individual-tahun
untuk identifikasi, model non-linear seperti model logit atau seleksi tidak menarik atau tidak
layak. Hasil menggunakan model probabilitas linier disajikan pada Lampiran Tabel A-7.
Estimasi elastisitas yang dihasilkan kurang stabil (terutama pada layanan yang jarang
digunakan), yang kami duga adalah karena model probabilitas linier sangat buruk ketika
probabilitas hasil mendekati nol. Hasil pembanding bersyarat (Lampiran Tabel A-8) yang
memprediksi log (pengeluaran) juga bermasalah, dengan kedua efek harga positif dan negatif
terdeteksi, seperti yang dapat diharapkan mengingat efek seleksi yang besar pada tahap
pertama.
Selain model log linier dan dua bagian, kami juga memperkirakan hasil menggunakan fungsi
sinus hiperbolik terbalik (Burbidge et al., 1988), yang memberikan cara yang berbeda untuk
mengakomodasi pengeluaran nol bersama dengan ekor panjang yang tebal (Tabel A -5). Kami
menemukan bahwa hasil tidak berbeda jauh dari spesifikasi awal kami dan memilih untuk
menjaga agar model log sebagai spesifikasi pilihan kami karena kesederhanaannya.
Singkatnya, kami mencoba tiga spesifikasi model alternatif untuk model pilihan kami, dan
tidak menemukan salah satu dari mereka untuk disukai. Jelas, menemukan spesifikasi yang
lebih baik untuk memodelkan data yang sangat miring dengan perkiraan angka nol dengan
metode fixed-effect tetap merupakan area yang membutuhkan penelitian lebih lanjut.

6. Kesimpulan
Makalah ini mengembangkan pendekatan IV baru untuk memperkirakan responsivitas
permintaan dengan menggunakan data besar dan jenis layanan yang sangat terpilah. Kami
mendokumentasikan dan memanfaatkan variasi dalam jumlah biaya dalam jumlah biaya dalam
banyak jenis rencana kesehatan, yang jika dikombinasikan dengan rencana yang memiliki
kombinasi biaya tetap, pengaturan yang bagus untuk memperkirakan elastisitas permintaan.
Tampaknya tidak dikenali secara luas bahwa tren pembagian biaya ke bawah selama tahun
kalender harus menyiratkan tren pengeluaran ke atas pada layanan jika ada kejutan pengeluaran
yang tidak diharapkan, atau konsumen rabun. Kami menunjukkan bahwa pola ini kuat di
banyak jenis layanan, menunjukkan bahwa responsivitas harga dalam tahun sangat signifikan.
Kami mengakui bahwa hasil kami hanya mewakili karyawan AS yang bekerja di perusahaan
besar, namun perkiraan kami memperbaiki jumlah yang berasal dari hanya satu perusahaan
besar. Hasil kami menyarankan bahwa penelitian yang hanya menggunakan satu perusahaan
saja, atau hanya menggunakan orang-orang yang berada dalam rencana yang dapat
dikurangkan tinggi mungkin tidak digeneralisasikan karena mereka tidak mewakili populasi
penuh dari orang yang diasuransikan secara pribadi.
Strategi IV kami mengarah pada perkiraan elastisitas yang masuk akal dan konsisten dengan
perkiraan lain dari literatur untuk layanan di mana satu bulan pemakaian biasanya tidak
menempatkan seseorang melebihi tingkat yang dapat dikurangkan normal. Pendekatan IV kami
bekerja dengan kurang baik untuk prosedur yang mahal seperti perawatan di rumah sakit,
pembedahan rawat inap, pengeluaran kamar dan dewan, dan dialisis, di mana waktu dalam hal
ini kurang penting karena konsumen hampir selalu melebihi deductible. Meski tidak sempurna,
IV kami memiliki keunggulan karena tersedia secara luas dan mudah digunakan. Perkiraan
OLS, sebaliknya, sering salah.
Sebuah inovasi dari makalah ini adalah bahwa kami memperkirakan dua bentuk harga spot
yang berbeda: harga rabun jauh ke belakang di mana konsumen tidak pernah mengantisipasi
pengeluaran masa depan, dan meneruskan harga spot rabun, di mana mereka sepenuhnya
mengantisipasi pengeluaran aktual pada bulan berjalan saat membuat keputusan konsumsi.
Kita menemukan perbedaan yang relatif sederhana dalam elastisitas kita begitu kita
mengabaikan statistik yang tidak signifikan. Satu hipotesis untuk ini adalah bahwa kedua
tindakan kita sangat berkorelasi ketika konsumen menggunakan layanan beberapa kali per
tahun, dan karena kita menggunakan strategi IV, ini mengoreksi kesalahan ekspektasi.
Pendekatan kami sangat tepat untuk memaksimalkan instrumen - rata-rata pembagian biaya
rata-rata bulanan untuk layanan yang diminati - yang dapat digunakan dalam penelitian lain
yang mencari instrumen untuk tingkat pengeluaran atau penggunaan layanan. Misalnya,
pertimbangkan prosedur ABC, tes laboratorium DEF, atau obat GHI yang kadang-kadang
digunakan hanya untuk pasien dengan kondisi 123. Jika konsumen didiagnosis dengan kondisi
123 pada waktu yang berbeda di tahun ini, dan menghadapi perubahan biaya saham dari waktu
ke waktu, maka pendekatan kami dapat digunakan untuk menghasilkan instrumen yang masuk
akal untuk menilai keefektifan masing-masing prosedur, tes, atau obat ini untuk mengobati
kondisi 123. Mengingat betapa berharganya instrumen yang baik, kegunaan lain mungkin
terbukti bermanfaat seperti Perkiraan respon permintaan yang kita hasilkan disini.