健康经济学中的DCE:过去、现在与未来 这篇综述系统回顾了 2013—2017 年健康经济学领域离散选择实验(DCE)的应用情况,共纳入 301 篇实证研究。作者最想回答的问题其实很明确:DCE 这些年到底发展到什么程度了,研究质量有没有同步提升,未来又该往哪里走。结果显示,健康相关 DCE 的数量仍在持续增长,而且应用范围比过去更广,不再只集中于患者体验或治疗偏好,也越来越多地被用于工作岗位选择、优先排序、健康结果估值等问题。与此同时,研究地域也在扩展,除了英国、美国、荷兰、澳大利亚等传统活跃国家,中低收入国家的研究数量也明显上升。 从方法上看,这篇文章给出的信息很有代表性。近几年研究者越来越倾向于采用更复杂的实验设计和分析方法,例如 D-efficient 设计、Ngene 设计软件,以及 mixed logit、multinomial logit、latent class 等模型。访谈和焦点小组等定性方法也被更频繁地用于属性与水平筛选。这说明 DCE 在健康经济学里已经不再只是“能做”,而是进入了一个更强调设计优化、模型灵活性和混合方法整合的阶段。 但这篇综述最有价值的地方,不只是总结“进步”,而是指出一个更现实的问题:很多研究虽然方法越来越复杂,但报告并没有变得更完整。 作者发现,不少论文没有清楚说明实验设计是怎么生成的、是否使用 blocking、采用了什么软件、模型参数如何设定,甚至连一些关键分析细节都交代不足。这样一来,读者很难真正判断研究质量,也会影响结果的可解释性与可复用性。对政策制定者来说,这种信息缺失还会进一步削弱他们对 DCE 结果的信任,从而影响 DCE 真正进入健康决策的可能性。 所以,这篇文章传递的核心信息并不是“DCE 还不成熟”,而是:DCE 已经发展得很快,但越是在方法升级的阶段,越需要规范化报告。 作者也明确提出,未来可能需要更有针对性的 DCE 报告指南,以便提升质量评估、增强结果透明度,并推动 DCE 更好地服务于真实世界的健康决策。对正在做 DCE 的研究者来说,这篇综述的意义就在于:不仅要关注怎么把模型做得更复杂,更要重视怎么把研究过程讲清楚。
00:00 / 08:17
连播
清屏
智能
倍速
点赞4
00:00 / 00:18
连播
清屏
智能
倍速
点赞24
00:00 / 03:26
连播
清屏
智能
倍速
点赞8
00:00 / 02:36
连播
清屏
智能
倍速
点赞846
00:00 / 00:27
连播
清屏
智能
倍速
点赞5197
00:00 / 02:23
连播
清屏
智能
倍速
点赞34
00:00 / 03:04
连播
清屏
智能
倍速
点赞621
00:00 / 02:34
连播
清屏
智能
倍速
点赞29
00:00 / 24:04
连播
清屏
智能
倍速
点赞1177