中国老年人养老居住意愿选择现状及其影响因素分析

目的 了解中国老年人养老居住意愿的选择现状及其影响因素,为制定养老政策和合理配置养老服务资源提供依据.方法 运用2018年中国老年健康影响因素跟踪调查(CLHLS)数据,分析60岁及以上老年人养老居住意愿选择现状,采用卡方检验和无序多分类Logistic回归模型进行养老居住意愿的影响因素分析.结果 51.26％的老年人...     

家庭代际支持对老年人居家养老意愿的影响

目的 分析家庭代际支持对老年人居家养老意愿的影响,为促进居家养老发展提供对策建议。方法 居家养老意愿现状采用卡方检验进行分析,老年人居家养老意愿影响因素采用二分类Logistic回归分析。结果 仅有296老年人（13.87%）选择居家养老方式。见面频率和子女孝顺程度是影响老年人居家养老选择的重要因素,见面频率较多的老年人选择居家养老的可能性是见面频率较少的老年人的0.041倍;子女不孝顺的老年人选择居家养老的可能性是子女孝顺的老年人的2.113倍。此外,年龄、教育、经济水平、社会保障和健康自评等因素对老年人居家养老意愿有影响。70～79岁和80岁及以上的老年人愿意选择居家养老的可能性是60～69岁老年人的0.509和0.345倍,有社会保障的老年人选择居家养老的可能性是没有社会保障老年人的1.278倍。结论 社区居家养老的发展应该更关注那些没有子女或者与子女情感联系不紧密的老年人。     

我国老年人异地养老意愿及其影响因素研究——基于CHARLS数据的实证分析

[目的]了解我国老年人异地养老意愿,分析其影响因素,为完善异地养老服务体系,优化养老资源配置提供参考。[方法]基于CHARLS数据,以安德森卫生服务利用行为模型为框架,采用逐步回归法,对7535名老年人异地养老意愿及影响因素进行实证研究。[结果]7535名老人中,有异地养老意愿的995人(13.2%)。单因素分析显示,不同教育程度、居住地、居住模式、生活来源、本地医疗服务满意度的老人异地养老意愿差异有统计学意义(P<0.05);Logistic回归分析显示,教育水平、居住地、居住模式、本地医疗服务满意度均为老年人异地养老意愿的影响因素(P<0.05)。[结论]老年人异地养老意愿较低。应充分考虑老年人异地养老意愿的影响因素,细分老年人群,引导多样化异地养老形式;确保医疗资源供给,简化异地就医手续;完善保障政策,提高异地养老老人经济收入,从而提高老年人异地养老意愿。     

老年人养老模式选择的影响因素研究

目的 了解老年人对家庭养老和机构(养老院等)养老两种养老模式的选择意愿及其影响因素，探索适合中国国情的养老模式，为政府对老年设施的投资提供参考依据。方法 采用目的抽样的方法，分别调查家庭、社区老人的个人特征、养老状况、养老的意愿及其可能的影响因素、健康状况、生命质量等，用t检验、χ2检验、方差分析和逐步回归方法进行统计分析。结果 自愿选择家庭养老的老人占54．9％，多于选择机构养老的老人(占44．9％)；无论单因素分析还是多因素分析，年龄，性别，婚姻状况，月基本生活费用，生命质量中的躯体活动功能、疼痛、社会功能、心理功能都是影响老人养老模式选择的主要因素。结论 发展以家庭养老为主的综合性社区养老服务体系，提高老人的经济收入，是实现“健康老龄化”的保证。     

海口市老年人养老方式选择及其影响因素分析

目的：调查海口市老年人养老方式的选择意愿及养老服务需求等,探讨影响海口市老年人养老方式选择意愿的相关因素。方法：采用多阶段分层整群抽样选取海口市4个区（秀英区、美兰区、龙华区、琼山区）,每个区随机抽取1~2个社区,采用自制的调查问卷,对社区60岁及以上的老年人进行入户问卷调查。结果：调查的365名60岁以上居民中,选择家庭养老的老人占86.85%,社区居家养老占6.30%,机构养老占6.85%;单因素x2检验分析结果显示,年龄、户籍、现居住情况、文化程度、个人年收入、医疗保险类型及患慢病情况等对养老方式的选择有影响（P < 0.05）;Logistic回归分析显示,户籍、现居住情况、个人年收入及医疗保险类型是老年人养老方式选择的影响因素。结论：家庭养老仍然是海口市老年人首选的养老模式,且养老方式受到诸多因素的影响,但随着老年人口的不断增加,老龄化程度逐年加剧,养老需求的进一步激增与家庭养老功能趋向弱化的大环境下,创新适宜的养老模式对满足老年人养老需求,合理利用养老资源具有重要的现实意义。     

基于Andersen行为模型的厦门市老年人养老意愿及其影响因素研究

目的了解厦门市老年人养老意愿及其影响因素,为明确养老服务需求及保障策略提供循证依据。方法以Andersen行为模型为指导,基于厦门市14292名老年人的面对面问卷调查,卡方检验分析人群分布差异,采用多分类logistic回归模型从倾向性因素、使能因素、需求性因素分析老年人养老意愿的影响因素。结果被调查的老年人中选择居家养老最多,占86.37%,其次是社区居家养老(10.77%)和机构养老(2.86%)。受教育年限越长、失能程度越高、居住在农村的老年人更倾向于社会化养老,OR值均大于1(P0.01);子女数越多、与直系亲属居住、入不敷出的老年人更倾向居家养老,OR值均小于1(P0.01)。从影响因素回归模型中剔除使能因素后-2LL、CoxSnell R~2和Nagelkerke R~2的变化值比剔除倾向性因素和需求性因素大。结论厦门市老年人养老意愿以居家养老为主,不同特征老年群体的养老意愿不同。养老意愿受多种因素影响,其中使能因素影响最大。     

河南省老年人养老意愿及影响因素分析

目的 了解河南省老年人养老意愿及影响因素,为河南省养老模式发展提供依据。方法 基于第六次全国卫生服务调查,采用多阶段分层整群随机抽样方法从河南省18个省辖市抽取60岁及以上老年人进行问卷调查,采用χ2检验和logistic回归模型进行养老意愿影响因素分析。结果 共纳入老年人8 389名,选择居家养老、社区养老和机构养老比例分别为89.81% 、5.79%和4.40%。多分类logistic回归分析表明,85岁以下、文化程度高、就医距离远、生活不需要照顾、1年内接受过健康体检、不知有家庭医生服务、主要由其他人员照顾和1年内有住院的老年人倾向于社区养老（P＜0.05）;75岁以下、家庭年收入低、非贫困/低保户、家庭常住人口少、两周有病伤、自评健康状况差、没有签约家庭医生、主要由其他人员照顾的老年人倾向于机构养老（P＜0.05）。结论 河南省老年人以居家养老意愿为主。可基于影响因素特点,努力构建多元化养老模式,以满足不同老年人养老需求。     

农村老年人群养老需求模式及其影响因素分析

目的 了解农村老年人群的养老需求,分析其影响因素,为寻求适宜的农村养老服务模式提供参考.方法 随机抽取60岁以上的农村老年人1 200例进行问卷调查.结果 有89.8%的老年人选择家庭养老,1.7%的老年人选择社区养老,8.5%的老年人选择机构养老.养老方式的选择受年龄、文化程度、职业、医疗保障形式、家庭人均月收入、健康状况等多种因素的影响.结论 家庭养老仍是现阶段农村老年人养老的主要方式,但从家庭养老向社会化养老过渡将成为我国未来养老模式发展的必然趋势.     

山东省城市老年人机构养老选择意愿及影响因素分析

目的了解山东省城市老年人的机构养老选择意愿,分析影响其选择意愿的因素,为制定山东省机构养老发展政策提供依据。方法于2012年7—8月,随机抽取山东省14个城市中的老年人进行面对面问卷调查,完成有效问卷868份,调查对象的基本特征采用率、构成比等指标进行描述性分析,选择意愿的影响因素分析采用χ2检验和二分类Logistic回归。P0.05为差异有统计学意义。结果 868名老年人中,愿意选择机构养老的比例36.6%,其中81.6%的人倾向于公办机构养老;经χ2检验和二分类Logistic回归分析得出,年龄、文化程度、子女个数、慢性病严重程度、居住状况和退休前职业是城市老年人机构养老选择意愿的影响因素(均P0.05)。结论山东省城市老年人对机构养老有较高的选择意愿,尤其是年龄较大、有较严重慢性病、文化程度不高、子女数量少和独居、退休前职业为私营企业主的老年人群,需要大力发展机构养老来解决对此有较高选择意愿的老年群体的养老问题。     

银川市城区老年人医养结合支付意愿的影响因素研究

[目的]通过对银川市老年人医养结合支付意愿情况进行调查,探讨银川市老年人对医养结合的支付意愿及其影响因素,为银川市因地制宜发展医养结合产业提供参考依据。[方法]通过问卷调查的方式对银川市城区老年人医养结合支付意愿进行调查,采用二分类Logistics回归分析,筛选影响因素。[结果] 61. 50%的老人表示自己从未听说过医养结合模式;在了解医养结合养老模式后,有56. 74%的老年人表示愿意为医养结合服务支付一定费用;个人特征和家庭特征是影响老年人医养结合支付意愿的主要因素。[结论]由于推行时间较短,宣传力度不足等原因,银川市城区老年人对医养结合养老模式认知程度并不理想;文化程度、退休前职业、个人月收入、是否患有慢性疾病等因素是影响银川市老年人医养结合支付意愿的主要因素;建议加强医养结合政策宣传力度,提高老年人医养结合养老认知程度;根据老年人不同需求,建立多元化医养结合服务市场;发挥政府主导作用,落实各项优惠政策。     

On model specification and selection of the Cox proportional hazards model

Prognosis plays a pivotal role in patient management and trial design. A useful prognostic model should correctly identify important risk factors and estimate their effects. In this article, we discuss several challenges in selecting prognostic factors and estimating their effects using the Cox proportional hazards model. Although a flexible semiparametric form, the Cox's model is not entirely exempt from model misspecification. To minimize possible misspecification, instead of imposing traditional linear assumption, flexible modeling techniques have been proposed to accommodate the nonlinear effect. We first review several existing nonparametric estimation and selection procedures and then present a numerical study to compare the performance between parametric and nonparametric procedures. We demonstrate the impact of model misspecification on variable selection and model prediction using a simulation study and an example from a phase III trial in prostate cancer. Copyright © 2013 John Wiley & Sons, Ltd.     

Impact of mis-specification of the treatment model on estimates from a marginal structural model

Inverse probability of treatment weighted (IPTW) estimation for marginal structural models (MSMs) requires the specification of a nuisance model describing the conditional relationship between treatment allocation and confounders. However, there is still limited information on the best strategy for building these treatment models in practice. We developed a series of simulations to systematically determine the effect of including different types of candidate variables in such models. We explored the performance of IPTW estimators across several scenarios of increasing complexity, including one designed to mimic the complexity typically seen in large pharmacoepidemiologic studies.Our results show that including pure predictors of treatment (i.e. not confounders) in treatment models can lead to estimators that are biased and highly variable, particularly in the context of small samples. The bias and mean-squared error of the MSM-based IPTW estimator increase as the complexity of the problem increases. The performance of the estimator is improved by either increasing the sample size or using only variables related to the outcome to develop the treatment model. Estimates of treatment effect based on the true model for the probability of treatment are asymptotically unbiased.We recommend including only pure risk factors and confounders in the treatment model when developing an IPTW-based MSM.