Regularization-Based Bootstrap Ranking Model: Identifying Healthcare Indicators Among All Level Income Economies

Abstract

This study considers the problem of uncertainty of concurrent variables selection among a potential set of healthcare expenditure predictors. It evaluates two regularization (shrinkage) methods: Least Absolute Shrinkage and Selection Operator (LASSO) and Elastic Net (ENET). To improve the accuracy of identifying important and relevant predictors of healthcare cost, the present study proposes a new methodology in the form of a bootstrapped-regularized regression with percentile rankings. A simulation study under various scenarios was implemented to learn the performance of the proposed methodology. The proposed methodology was applied to healthcare expenditure data for all level income economies: lower-income, lower-middle-income, upper-middle-income, and high-income.

Cette étude examine le problème de l'incertitude de la sélection simultanée des variables concurrentielles parmi un ensemble potentiel de prédicteurs des dépenses de santé. Il évalue deux méthodes de régularisation (rétrécissement) : LASSO (Least Absolute Shrinkage and Selection Operato) et ENET (Elastic Net). Afin d'améliorer l'exactitude de l'identification des prédicteurs importants et pertinents du coût des soins de santé, la présente étude propose une nouvelle méthodologie sous la forme d'une régression régularisée avec des classements percentiles. Une étude de simulation pout divers scénarios a été mise en oeuvre pour connaître la performance de la méthodologie proposée. La méthodologie proposée a été appliquée aux données sur les dépenses de santé pour toutes les économies à revenu de niveau : à faible revenu, à revenu intermédiaire inférieur, à revenu intermédiaire supérieur et à revenu élevé.