Análisis multifactorial de la calidad de vida de la población de mayor edad en Europa

Palabras clave: Calidad de vida; bienestar; encuesta SHARE; CASP-19; algoritmos supervisados y no supervisados; arboles de decisión; análisis clúster.

Resumen

Como es sabido, el aumento de la esperanza de vida supone que más personas alcancen una edad en la que su salud física y mental se puede deteriorar. La vulnerabilidad de estas personas se manifiesta especialmente en la salud, y en la dificultad para satisfacer sus necesidades vitales. Estos hechos, junto al desarrollo del estado del bienestar, hacen necesario estudiar la calidad de vida de estas personas.

Mediante algoritmos supervisados aplicados a la encuesta SHARE (The Survey of Health, Ageing and Retirement in Europe), se identifican los factores principales que explican el bienestar de las personas que se declaran dependientes en Europa, interpretando los resultados mediante Shapley values.

La aportación fundamental proviene del estudio de la relación entre el gasto sanitario y la calidad de vida recogida por el indicador CASP-19. Se aborda el problema desde una doble perspectiva, cualitativa y cuantitativa. No se puede establecer una relación entre la calidad de vida y los sistemas sanitarios europeos (Beveridge, Bismarck o mixto), la naturaleza de quienes suministren el servicio sanitario o el grado de centralización. Sin embargo, desde un punto de vista cuantitativo, se puede concluir que existe relación entre el nivel de gasto público en materia de sanidad y el nivel de bienestar percibido.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Sonia de Paz Cobo, Universidad Rey Juan Carlos

Universidad Rey Juan Carlos. Dpto. Economía Aplicada I

Marina Ortín Fernández, Colegio universitario de estudios financieros

Colegio universitario de estudios financieros

Mayra Goicochea Neyra, Colegio universitario de estudios financieros

Colegio universitario de estudios financieros

Citas

AI Wiki, (2020). Supervised, Unsupervised, & Reinforcement Learning. https://docs.paperspace.com/machine-learning/wiki/supervised-unsupervised-and-reinforcement-learning

Amat, J. (2016). Kruskal-Wallis test. RPubs. https://rpubs.com/Joaquin_AR/219504

Aranco, N., Stampini, M., Ibarrarán, P. & Medellín, N. (2018). Panorama de envejecimiento y dependencia en América Latina y el Caribe. Banco Interamericano de Desarrollo. IDB-PB-273. https://publications.iadb.org/publications/spanish/document/Panorama-de-envejecimiento-y-dependencia-en-America-Latina-y-el-Caribe.pdf

Börsch-Supan, A., Brandt, M., Hunkler, C., Kneip, T., Korbmacher, J., Malter, F., Schaan, B., Stuck, S. & Zuber, S. (2013). Data Resource Profile: The Survey of Health, Ageing and Retirement in Europe (SHARE). International Journal of Epidemiology. https://doi.org/10.1093/ije/dyt088

Börsch-Supan, A., Bristle, J., Andersen-Ranberg, K., Brugiavini, A., Jusot, F., Litwin, H. & Weber, G. (eds.). (2019). Health and socio-economic status over the life course: First results from SHARE Waves 6 and 7. De Gruyter. https://doi.org/10.1515/9783110617245

Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Taylor & Francis Group. https://doi.org/10.1201/9781315139470

Carrasco-Campos, A., Martínez, L. C., Moreno, A. (2013). Revisión crítica de la medición del bienestar desde una perspectiva interdisciplinar. Prisma Social. Núm. 11 Pág. 91-122. ttp://www.isdfundacion.org/publicaciones/revista/numeros/11/secciones/tematica/pdf/t-04-medicion-bienestar-91-122.pdf

Casas, P., (2019). A gentle introduction to SHAP values in R (R-bloggers). Disponible en: https://www.r-bloggers.com/a-gentle-introduction-to-shap-values-in-r/.

CASP19. (2020). https://casp19.com/background

Comisión Europea (CE). (2000). Carta de los Derechos Fundamentales de la Unión Europea. https://eur-lex.europa.eu/eli/treaty/char_2016/oj

Comisión Europea (CE). (2010). Tratado de funcionamiento de la Unión Europea. https://eur-lex.europa.eu/legal-content/ES/TXT/PDF/?uri=CELEX:12012E/TXT&from=ES

Comisión Europea (CE). (2017). Pilar europeo de derechos sociales. https://www.educacionyfp.gob.es/dam/jcr:914b1a2e-a293-495d-a51d-95006a47f148/EPSR-booklet_es.pdf

Comisión Europea (CE). (2020). https://ec.europa.eu/social/main.jsp?langId=es&catId=1137

Encuesta de Salud, Envejecimiento y Jubilación en Europa (SHARE), (2020). http://www.share-project.org/home0.html

Gaeta, M., Campanella, F., Capasso, L., Schifino, G.M., Gentile, L., Banfi, G., Pelissero, G. & Ricci, C. (2017). An overview of different health indicators used in the European Health Systems. Journal of Preventive Medicine and Hygiene. 58,2. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5584080/pdf/2421-4248-58-E114.pdf

Han, J., (2020). Distance between Categorical Attributes Ordinal Attributes and Mixed Types. Coursera. https://www.coursera.org/lecture/cluster-analysis/2-4-distance-betweencategorical-attributes-ordinal-attributes-and-mixed-types-KnvRC

Hyde, M., Higgs, P., Wiggins, RD. & Blane, D. (2015). A decade of research using the CASP scale: key findings and future directions. Aging Ment Health, Jul;19(7):571-5. https://doi.org/10.1080/13607863.2015.1018868

Juliá, R. (2016). Validez del indicador general de limitación de la actividad (GALI) para medir funcionamiento en la población. Un análisis comparativo con salud percibida, a través de encuestas de salud de España. Universidad de Alicante. https://rua.ua.es/dspace/bitstream/10045/68918/7/tesis_rocio_julia_sanchis.pdf

Kassambara, A. (2017). Factor Analysis of Mixed Data in R: Essentials. Statistical tools for high-throughput data analysis. http://www.sthda.com/english/articles/31-principal-componentmethods-in-r-practical-guide/115-famd-factor-analysis-of-mixed-data-in-r-essentials/

Molnar, C. (2020). Interpretable Machine Learning: A Guide for Making Black Box Models. Explainable. Bookdown. https://christophm.github.io/interpretable-ml-book/shapley.html

Oficina Europea de Estadística (Eurostat), (2020). Population structure and ageing. https://ec.europa.eu/eurostat/statisetics-explained/index.php?title=Population_structure_and_ageing/es

Orellana, J. (2018). Árboles de decisión y Random Forest. Bookdown. https://bookdown.org/content/2031/arboles-de-decision-parte-i.html

Organización Mundial de la Salud (OMS), (2001). Clasificación Internacional del Funcionamiento, las Discapacidades y la Salud (CIF). https://www.imserso.es/InterPresent2/groups/imserso/documents/binario/435cif.pdf

Organización Mundial de la Salud (OMS), (2018). https://www.who.int/es/news-room/fact-sheets/detail/disability-and-health

Pathak, M. (2018). Feature Selection in R with the Boruta R Package. Datacamp. https://www.datacamp.com/community/tutorials/feature-selection-Rboruta

Progress Consulting S.r.l. & Living Prospects Ltd. (2012). The management of health systems in the EU Member States - The role of local and regional authorities. https://doi.org/ 10.2863/83500

Reusova, A., (2018). Hierarchical Clustering on Categorical Data in R. Towards Data Science. https://towardsdatascience.com/hierarchical-clustering-on-categoricaldata-in-r-a27e578f2995

Rodríguez, V., Rodríguez-Mañas, L., Sancho, M. & Díaz, R. (2012). Envejecimiento. La investigación en España y Europa. Revista Española de Geriatría y Gerontología. 47(4):174–179. https://doi.org/10.1016/j.regg.2012.02.005

Soldi, R. (2017). The management of health systems in the EU Member States. The role of local and regional authorities. European Committee of the Regions. European Union. https://op.europa.eu/en/publication-detail/-/publication/239062df-cb4b-11e7-a5d5-01aa75ed71a1/language-en

Teknomo, K. (2015). Normalized Rank Transformation. Revoledu. https://people.revoledu.com/kardi/tutorial/Similarity/Normalized-Rank.html

Tibshirani, R., Walther, G. & Hastie, T. (2000). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society. https://doi.org/10.1111/1467-9868.00293

Tseng, G. (2018). Interpreting complex models with SHAP values. Medium. https://medium.com/@gabrieltseng/interpreting-complex-models-withshap-values-1c187db6ec83c

AI Wiki, (2020). Supervised, Unsupervised, & Reinforcement Learning. https://docs.paperspace.com/machine-learning/wiki/supervised-unsupervised-and-reinforcement-learning

Amat, J. (2016). Kruskal-Wallis test. RPubs. https://rpubs.com/Joaquin_AR/219504

Aranco, N., Stampini, M., Ibarrarán, P. & Medellín, N. (2018). Panorama de envejecimiento y dependencia en América Latina y el Caribe. Banco Interamericano de Desarrollo. IDB-PB-273. https://publications.iadb.org/publications/spanish/document/Panorama-de-envejecimiento-y-dependencia-en-America-Latina-y-el-Caribe.pdf

Börsch-Supan, A., Brandt, M., Hunkler, C., Kneip, T., Korbmacher, J., Malter, F., Schaan, B., Stuck, S. & Zuber, S. (2013). Data Resource Profile: The Survey of Health, Ageing and Retirement in Europe (SHARE). International Journal of Epidemiology. https://doi.org/10.1093/ije/dyt088

Börsch-Supan, A., Bristle, J., Andersen-Ranberg, K., Brugiavini, A., Jusot, F., Litwin, H. & Weber, G. (eds.). (2019). Health and socio-economic status over the life course: First results from SHARE Waves 6 and 7. De Gruyter. https://doi.org/10.1515/9783110617245

Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Taylor & Francis Group. https://doi.org/10.1201/9781315139470

Carrasco-Campos, A., Martínez, L. C., Moreno, A. (2013). Revisión crítica de la medición del bienestar desde una perspectiva interdisciplinar. Prisma Social. Núm. 11 Pág. 91-122. ttp://www.isdfundacion.org/publicaciones/revista/numeros/11/secciones/tematica/pdf/t-04-medicion-bienestar-91-122.pdf

Casas, P., (2019). A gentle introduction to SHAP values in R (R-bloggers). Disponible en: https://www.r-bloggers.com/a-gentle-introduction-to-shap-values-in-r/.

CASP19. (2020). https://casp19.com/background

Comisión Europea (CE). (2000). Carta de los Derechos Fundamentales de la Unión Europea. https://eur-lex.europa.eu/eli/treaty/char_2016/oj

Comisión Europea (CE). (2010). Tratado de funcionamiento de la Unión Europea. https://eur-lex.europa.eu/legal-content/ES/TXT/PDF/?uri=CELEX:12012E/TXT&from=ES

Comisión Europea (CE). (2017). Pilar europeo de derechos sociales. https://www.educacionyfp.gob.es/dam/jcr:914b1a2e-a293-495d-a51d-95006a47f148/EPSR-booklet_es.pdf

Comisión Europea (CE). (2020). https://ec.europa.eu/social/main.jsp?langId=es&catId=1137

Encuesta de Salud, Envejecimiento y Jubilación en Europa (SHARE), (2020). http://www.share-project.org/home0.html

Gaeta, M., Campanella, F., Capasso, L., Schifino, G.M., Gentile, L., Banfi, G., Pelissero, G. & Ricci, C. (2017). An overview of different health indicators used in the European Health Systems. Journal of Preventive Medicine and Hygiene. 58,2. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5584080/pdf/2421-4248-58-E114.pdf

Han, J., (2020). Distance between Categorical Attributes Ordinal Attributes and Mixed Types. Coursera. https://www.coursera.org/lecture/cluster-analysis/2-4-distance-betweencategorical-attributes-ordinal-attributes-and-mixed-types-KnvRC

Hyde, M., Higgs, P., Wiggins, RD. & Blane, D. (2015). A decade of research using the CASP scale: key findings and future directions. Aging Ment Health, Jul;19(7):571-5. https://doi.org/10.1080/13607863.2015.1018868

Juliá, R. (2016). Validez del indicador general de limitación de la actividad (GALI) para medir funcionamiento en la población. Un análisis comparativo con salud percibida, a través de encuestas de salud de España. Universidad de Alicante. https://rua.ua.es/dspace/bitstream/10045/68918/7/tesis_rocio_julia_sanchis.pdf

Kassambara, A. (2017). Factor Analysis of Mixed Data in R: Essentials. Statistical tools for high-throughput data analysis. http://www.sthda.com/english/articles/31-principal-componentmethods-in-r-practical-guide/115-famd-factor-analysis-of-mixed-data-in-r-essentials/

Molnar, C. (2020). Interpretable Machine Learning: A Guide for Making Black Box Models. Explainable. Bookdown. https://christophm.github.io/interpretable-ml-book/shapley.html

Oficina Europea de Estadística (Eurostat), (2020). Population structure and ageing. https://ec.europa.eu/eurostat/statisetics-explained/index.php?title=Population_structure_and_ageing/es

Orellana, J. (2018). Árboles de decisión y Random Forest. Bookdown. https://bookdown.org/content/2031/arboles-de-decision-parte-i.html

Organización Mundial de la Salud (OMS), (2001). Clasificación Internacional del Funcionamiento, las Discapacidades y la Salud (CIF). https://www.imserso.es/InterPresent2/groups/imserso/documents/binario/435cif.pdf

Organización Mundial de la Salud (OMS), (2018). https://www.who.int/es/news-room/fact-sheets/detail/disability-and-health

Pathak, M. (2018). Feature Selection in R with the Boruta R Package. Datacamp. https://www.datacamp.com/community/tutorials/feature-selection-Rboruta

Progress Consulting S.r.l. & Living Prospects Ltd. (2012). The management of health systems in the EU Member States - The role of local and regional authorities. https://doi.org/ 10.2863/83500

Reusova, A., (2018). Hierarchical Clustering on Categorical Data in R. Towards Data Science. https://towardsdatascience.com/hierarchical-clustering-on-categoricaldata-in-r-a27e578f2995

Rodríguez, V., Rodríguez-Mañas, L., Sancho, M. & Díaz, R. (2012). Envejecimiento. La investigación en España y Europa. Revista Española de Geriatría y Gerontología. 47(4):174–179. https://doi.org/10.1016/j.regg.2012.02.005

Soldi, R. (2017). The management of health systems in the EU Member States. The role of local and regional authorities. European Committee of the Regions. European Union. https://op.europa.eu/en/publication-detail/-/publication/239062df-cb4b-11e7-a5d5-01aa75ed71a1/language-en

Teknomo, K. (2015). Normalized Rank Transformation. Revoledu. https://people.revoledu.com/kardi/tutorial/Similarity/Normalized-Rank.html

Tibshirani, R., Walther, G. & Hastie, T. (2000). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society. https://doi.org/10.1111/1467-9868.00293

Tseng, G. (2018). Interpreting complex models with SHAP values. Medium. https://medium.com/@gabrieltseng/interpreting-complex-models-withshap-values-1c187db6ec83c

Publicado
2021-01-29
Cómo citar
de Paz Cobo, S., Ortín Fernández, M., & Goicochea Neyra, M. (2021). Análisis multifactorial de la calidad de vida de la población de mayor edad en Europa. Revista Prisma Social, (32), 93-127. Recuperado a partir de https://revistaprismasocial.es/article/view/4101