The classification of profiles of financial catastrophe caused by out-of-pocket payments: a methodological approach
Saved in:
García, M., et al., The classification of profiles of financial catastrophe caused by out-of-pocket payments: a methodological approach. Mathematics, vol. 9, n. 11, 2021, 20 p.
Ref.
604342
Location:
SIIS Archivo
Palabras clave:
Personas mayores, Hogares, Dependencia, Cuidadores, Nivel de ingresos, Crisis económica, Factores socioeconómicos, Factor de riesgo, Evaluación, Recomendaciones, España
Personas mayores, Hogares, Dependencia, Cuidadores, Nivel de ingresos, Crisis económica, Factores socioeconómicos, Factor de riesgo, Evaluación, Recomendaciones, España
Abstract:
Este artículo, propone un modelo predictivo para identificar los hogares con mayor riesgo de sufrir una catástrofe financiera derivada de los pagos directos (out-of-pocket, OOP) por cuidados de larga duración (LTC) en España, aplicando técnicas avanzadas de machine learning. A partir de la Encuesta de Discapacidad y Dependencia del INE, el estudio clasifica los hogares en cinco niveles de gasto catastrófico (del <10 % al >40 % de la renta familiar destinada a cuidados) y compara el rendimiento de modelos tradicionales (regresión logística, LASSO, elastic-net) con algoritmos no paramétricos como k-nearest neighbors, MARS, random forest, boosted trees y SVM. Los resultados muestran que los modelos complejos, especialmente random forest y SVM, alcanzan las mayores precisiones de clasificación (89 % y 88 %) sin evidencia de sobreajuste, superando ampliamente a los métodos paramétricos. Los factores más influyentes en la probabilidad de catástrofe financiera fueron el nivel de dependencia, los ingresos del hogar, el PIB regional per cápita, el estado civil y la edad, destacando una mayor vulnerabilidad en hogares con bajos ingresos, alto grado de dependencia, gobernanza regional conservadora y menor educación. El estudio concluye que las herramientas de aprendizaje automático permiten detectar con alta fiabilidad los perfiles familiares más expuestos a riesgo financiero, ofreciendo una metodología novedosa para apoyar políticas públicas de protección social y mejorar el seguimiento del Objetivo de Desarrollo Sostenible 3.8 sobre cobertura sanitaria universal y protección frente al riesgo financiero.
Este artículo, propone un modelo predictivo para identificar los hogares con mayor riesgo de sufrir una catástrofe financiera derivada de los pagos directos (out-of-pocket, OOP) por cuidados de larga duración (LTC) en España, aplicando técnicas avanzadas de machine learning. A partir de la Encuesta de Discapacidad y Dependencia del INE, el estudio clasifica los hogares en cinco niveles de gasto catastrófico (del <10 % al >40 % de la renta familiar destinada a cuidados) y compara el rendimiento de modelos tradicionales (regresión logística, LASSO, elastic-net) con algoritmos no paramétricos como k-nearest neighbors, MARS, random forest, boosted trees y SVM. Los resultados muestran que los modelos complejos, especialmente random forest y SVM, alcanzan las mayores precisiones de clasificación (89 % y 88 %) sin evidencia de sobreajuste, superando ampliamente a los métodos paramétricos. Los factores más influyentes en la probabilidad de catástrofe financiera fueron el nivel de dependencia, los ingresos del hogar, el PIB regional per cápita, el estado civil y la edad, destacando una mayor vulnerabilidad en hogares con bajos ingresos, alto grado de dependencia, gobernanza regional conservadora y menor educación. El estudio concluye que las herramientas de aprendizaje automático permiten detectar con alta fiabilidad los perfiles familiares más expuestos a riesgo financiero, ofreciendo una metodología novedosa para apoyar políticas públicas de protección social y mejorar el seguimiento del Objetivo de Desarrollo Sostenible 3.8 sobre cobertura sanitaria universal y protección frente al riesgo financiero.
| Summary: | Este artículo, propone un modelo predictivo para identificar los hogares con mayor riesgo de sufrir una catástrofe financiera derivada de los pagos directos (out-of-pocket, OOP) por cuidados de larga duración (LTC) en España, aplicando técnicas avanzadas de machine learning. A partir de la Encuesta de Discapacidad y Dependencia del INE, el estudio clasifica los hogares en cinco niveles de gasto catastrófico (del <10 % al >40 % de la renta familiar destinada a cuidados) y compara el rendimiento de modelos tradicionales (regresión logística, LASSO, elastic-net) con algoritmos no paramétricos como k-nearest neighbors, MARS, random forest, boosted trees y SVM. Los resultados muestran que los modelos complejos, especialmente random forest y SVM, alcanzan las mayores precisiones de clasificación (89 % y 88 %) sin evidencia de sobreajuste, superando ampliamente a los métodos paramétricos. Los factores más influyentes en la probabilidad de catástrofe financiera fueron el nivel de dependencia, los ingresos del hogar, el PIB regional per cápita, el estado civil y la edad, destacando una mayor vulnerabilidad en hogares con bajos ingresos, alto grado de dependencia, gobernanza regional conservadora y menor educación. El estudio concluye que las herramientas de aprendizaje automático permiten detectar con alta fiabilidad los perfiles familiares más expuestos a riesgo financiero, ofreciendo una metodología novedosa para apoyar políticas públicas de protección social y mejorar el seguimiento del Objetivo de Desarrollo Sostenible 3.8 sobre cobertura sanitaria universal y protección frente al riesgo financiero. |
|---|---|
| ISSN: | 2227-7390 |