Past studies have often looked at a

Past studies have often looked at a subgroup, such as the near-elderly (Monheit, Vistnes, & Eisenberg, 2001) or immigrants (Herring, 2005), of the overall US population and have succeeded in identifying variables that seem to contribute to the disparity in healthcare coverage for the subgroup. This study will look at healthcare coverage disparity across the population of the US, rather than within a smaller subgroup of the population. It will also address the numerous possible contributing factors, both sociodemographic and lifestyle, and their contribution to the growing disparity in healthcare coverage. Further, the study will utilize machine learning techniques in building classification models. Previously, the issue of healthcare coverage disparity has been studied using primarily statistical techniques such as logistic regression (Glover et al., 2004) and basic descriptive statis- tics (Shi, 2000; Woolhandler et al., 2005). For many years linear regression has been the primarily used technique in capturing and representing functional relationships between dependent and independent variables, largely because of its well-known statistically explainable optimization strategies. However, in many problem scenarios, the model accuracy suffers as the assumed linear approximation of a function is not valid. With current technology, machine learning techniques can easily model such scenarios as healthcare coverage, as is addressed in this paper. These techniques are not constrained by the Gauss–Markov assumption (such as multicollinearity and normality) which is a major concern for more traditional models (Uysal & Roubi, 1999). Previously, these techniques have been used to study other healthcare issues such as factors affecting inpatient mortality (Chae, Kim, Tark, Park, & Hoa, 2003) and influencing prenatal care (Prather et al., 1997). In this study, we have attempted to build an accurate classification model, using machine learning techniques. The model could then be used to predict whether or not an individual has healthcare coverage based on specific socio-demographic and lifestyle information as well as the importance of the various factors in the model.

ผลลัพธ์ (ไทย) 1:

ศึกษาที่ผ่านมามักจะมองที่กลุ่มย่อย เช่นใกล้ผู้สูงอายุ (Monheit, Vistnes และไอเซน เบิร์ก 2001) หรือผู้อพยพ (ปลาเฮอริ่ง 2005), ของประชากรโดยรวมของสหรัฐ และประสบความสำเร็จในการระบุตัวแปรที่ดูเหมือนจะนำไปสู่ความเหลื่อมล้ำในความคุ้มครองสุขภาพสำหรับกลุ่มย่อย ศึกษานี้จะดูที่ความเหลื่อมล้ำของความคุ้มครองสุขภาพในประชากร ของสหรัฐฯ แทนภาย ในกลุ่มย่อยมีขนาดเล็กประชากร มันจะยัง อยู่ที่การส่งเสริมได้มากมายปัจจัย sociodemographic และไลฟ์สไตล์ และผลงานของพวกเขาเพื่อความเหลื่อมล้ำเพิ่มขึ้นในด้านการดูแลสุขภาพครอบคลุม ต่อไป การศึกษาจะใช้เทคนิคการเรียนรู้ของเครื่องในการสร้างโมเดลการจำแนกประเภท ก่อนหน้านี้ ปัญหาของความเหลื่อมล้ำของความคุ้มครองด้านสุขภาพได้รับการศึกษาโดยใช้เทคนิคทางสถิติเป็นหลักเช่นการถดถอยโลจิสติก (โกลเวอร์ et al. 2004) และพื้นฐานอธิบาย statis-สำบัดสำนวน (Shi, 2000 Woolhandler et al. 2005) หลายปี ถดถอยเชิงเส้นได้รับเทคนิคที่ใช้เป็นหลักในการจับภาพ และแสดงการทำงานความสัมพันธ์ระหว่างพา และแบบอิสระแปร เนื่องจากกลยุทธ์การเพิ่มประสิทธิภาพของเศรษฐกิจทางสถิติรู้จัก อย่างไรก็ตาม ในหลายปัญหาสถานการณ์ ความถูกต้องแบบทนทุกข์ทรมานเป็นประมาณเชิงเส้นโหลดของฟังก์ชันไม่ถูกต้อง ด้วยปัจจุบันเทคโนโลยี เทคนิคการเรียนรู้ของเครื่องสามารถได้ง่าย ๆ รุ่นสถานการณ์ดังกล่าวเป็นการคุ้มครองดูแลสุขภาพ ตามที่ระบุในเอกสารนี้ เทคนิคเหล่านี้ไม่จำกัดตามสมมติฐาน Gauss-Markov (เช่น multicollinearity และแอมป์;) ซึ่งเป็นความกังวลหลักสำหรับรุ่นดั้งเดิม (Uysal & Roubi, 1999) ก่อนหน้านี้ มีการใช้เทคนิคเหล่านี้เพื่อศึกษาปัญหาด้านสุขภาพอื่น ๆ เช่นปัจจัยที่มีผลต่ออัตราการตายผู้ป่วยใน (แจ้ คิม Tark สวนสาธารณะ และ ฮัว 2003) และมีอิทธิพลต่อการดูแลก่อนคลอด (Prather et al. 1997) ในการศึกษานี้ เราได้พยายามที่จะสร้างแบบจำลองการจัดประเภทที่ถูกต้อง ใช้เทคนิคการเรียนรู้ของเครื่อง แล้วสามารถใช้แบบจำลองทำนายว่า บุคคลได้ตามข้อมูลด้านประชากรและสังคมและไลฟ์สไตล์รวมทั้งความสำคัญของปัจจัยต่าง ๆ ในรูปแบบความคุ้มครองดูแลสุขภาพ

ผลลัพธ์ (ไทย) 2:

การศึกษาที่ผ่านมามักจะมองไปที่กลุ่มย่อยเช่นใกล้ผู้สูงอายุ (Monheit, Vistnes และไอเซนเบิร์ก, 2001) หรือผู้อพยพ (Herring, 2005) โดยรวมของประชากรสหรัฐและได้ประสบความสำเร็จในการระบุตัวแปรที่ดูเหมือนจะนำไปสู่​​การ ความเหลื่อมล้ำในการรายงานข่าวการดูแลสุขภาพสำหรับกลุ่มย่อย การศึกษาครั้งนี้จะมีลักษณะที่แตกต่างกันการดูแลสุขภาพความคุ้มครองทั่วประชากรของสหรัฐมากกว่าภายในกลุ่มย่อยขนาดเล็กของประชากร นอกจากนี้ยังจะอยู่ที่หลายปัจจัยที่เป็นไปได้ทั้งที่ยาวนานและการดำเนินชีวิตและผลงานของพวกเขาเพื่อความแตกต่างที่เพิ่มขึ้นในการดูแลสุขภาพครอบคลุม นอกจากนี้การศึกษาจะใช้เทคนิคการเรียนรู้ของเครื่องในการสร้างแบบจำลองการจัดหมวดหมู่ (. โกลเวอร์, et al, 2004) ก่อนหน้านี้ปัญหาของการดูแลสุขภาพครอบคลุมความแตกต่างได้รับการศึกษาโดยใช้เทคนิคทางสถิติเป็นหลักเช่นการถดถอยโลจิสติกและพื้นฐานตำแหน่งสถิติเชิงพรรณนา (Shi, 2000. Woolhandler et al, 2005) หลายปีที่ผ่านการถดถอยเชิงเส้นได้รับเทคนิคที่ใช้เป็นหลักในการจับและเป็นตัวแทนความสัมพันธ์การทำงานระหว่างตัวแปรตามและเป็นอิสระมากเพราะรู้จักกันดีกลยุทธ์การเพิ่มประสิทธิภาพของมันอธิบายทางสถิติ อย่างไรก็ตามในสถานการณ์ปัญหาหลายรูปแบบความถูกต้องทนทุกข์ทรมานเป็นสันนิษฐานประมาณเชิงเส้นของฟังก์ชั่นไม่ถูกต้อง ด้วยเทคโนโลยีในปัจจุบันเทคนิคการเรียนรู้ของเครื่องได้อย่างง่ายดายสามารถจำลองสถานการณ์เช่นการดูแลสุขภาพครอบคลุมตามที่ระบุไว้ในบทความนี้ เทคนิคเหล่านี้จะไม่ถูก จำกัด ด้วยสมมติฐาน Gauss-มาร์คอฟ (เช่นพหุและปกติ) ซึ่งเป็นข้อกังวลสำคัญสำหรับรูปแบบดั้งเดิมมากขึ้น (Uysal & Roubi, 1999) ก่อนหน้านี้เทคนิคเหล่านี้ได้ถูกนำมาใช้เพื่อการศึกษาปัญหาสุขภาพอื่น ๆ เช่นผู้ป่วยในปัจจัยที่มีผลการตาย (Chae คิม, Tark, สวนและ Hoa, 2003) และมีอิทธิพลต่อการดูแลก่อนคลอด (Prather et al., 1997) ในการศึกษาครั้งนี้เราได้พยายามที่จะสร้างรูปแบบการจัดหมวดหมู่ที่ถูกต้องโดยใช้เทคนิคการเรียนรู้เครื่อง รูปแบบแล้วสามารถนำมาใช้ในการทำนายหรือไม่ว่าบุคคลที่มีความคุ้มครองด้านการดูแลสุขภาพที่เฉพาะเจาะจงบนพื้นฐานทางสังคมและประชากรข้อมูลและการดำเนินชีวิตเช่นเดียวกับความสำคัญของปัจจัยต่างๆในโมเดล

ผลลัพธ์ (ไทย) 3:

ที่ผ่านมามีการศึกษามักจะมองกลุ่มย่อย เช่น ผู้สูงอายุ ( monheit vistnes ใกล้ , และ ไอเซนเบิร์ก , 2001 ) หรือผู้อพยพ ( herring , 2005 ) , รวมของประชากรสหรัฐฯและได้ประสบความสำเร็จในการระบุตัวแปรที่ดูเหมือนจะนำไปสู่ความแตกต่างในความคุ้มครองการดูแลสุขภาพสำหรับกลุ่มย่อย การศึกษานี้จะมองความความคุ้มครองการดูแลสุขภาพในประชากรของพวกเรา มากกว่าภายในกลุ่มย่อยขนาดเล็กของประชากร มันก็จะอยู่ได้หลายปัจจัย ทั้งอุตสาหกรรม และวิถีชีวิต และผลงานของพวกเขาเพื่อการเติบโตในการดูแลสุขภาพอย่างครอบคลุม ทั้งนี้ การศึกษาจะใช้เครื่องเรียนรู้เทคนิคในการจำแนกรูปแบบอาคาร ก่อนหน้านี้ ปัญหาของการดูแลสุขภาพครอบคลุมความต่างได้ศึกษาโดยใช้เทคนิคหลักสถิติ เช่น Logistic Regression ( โกลเวอร์ et al . , 2004 ) และพื้นฐานเชิง statis - tics ( Shi , 2000 ; woolhandler et al . , 2005 ) สำหรับการถดถอยเชิงเส้นหลายปีได้เป็นหลัก ใช้เทคนิคในการจับและแสดงความสัมพันธ์ของการทำงานระหว่างตัวแปรตามและตัวแปรอิสระ ส่วนใหญ่เนื่องจากของที่รู้จักกันดีสถิติอธิบายกลยุทธ์เพิ่มประสิทธิภาพ . อย่างไรก็ตาม ในสถานการณ์ปัญหาหลายรูปแบบความทุกข์เป็นสันนิษฐานเชิงเส้นการประมาณค่าของฟังก์ชันไม่ถูกต้อง ด้วยเทคโนโลยีปัจจุบัน เทคนิคการเรียนรู้ของเครื่องสามารถรูปแบบภาพเช่นการดูแลสุขภาพความคุ้มครองตามที่ระบุในบทความนี้ เทคนิคเหล่านี้จะไม่ได้บังคับโดยเกาส์ - มาร์คอฟ ( เช่นค่าปกติ ( และ ) ซึ่งเป็นความกังวลหลักสำหรับรุ่นดั้งเดิม ( uysal & roubi , 1999 ) ก่อนหน้านี้ เทคนิคเหล่านี้ได้ถูกใช้เพื่อศึกษาปัญหาสุขภาพอื่นๆ เช่น ปัจจัยที่มีผลต่ออัตราการตายของผู้ป่วยใน ( เช คิม tark Park & Hoa , 2003 ) และมีอิทธิพลต่อการดูแลก่อนคลอด ( ที่ตั้ง et al . , 1997 ) ในการศึกษานี้เราได้พยายามที่จะสร้างรูปแบบหมวดหมู่ที่ถูกต้อง โดยใช้เทคนิคการเรียนรู้ของเครื่อง . รูปแบบอาจจะถูกใช้เพื่อทำนายหรือไม่ว่าบุคคลมีความคุ้มครองการดูแลสุขภาพโดยเฉพาะวิถีชีวิตและประชากรศาสตร์และข้อมูล ตลอดจนความสำคัญของปัจจัยต่าง ๆ ในรูปแบบ