在新冠疫情期间，由医疗服务提供者和患者主动取消医疗服务的情况存在不平等现象

《Ecological Modelling》：Inequality in provider and patient-initiated healthcare cancellations during Covid-19

本文利用机器学习中的模型驱动递归分区算法，分析不同社会经济和人口学特征的母体情况对健康代际传递的影响，发现异质性显著，全球模型无法捕捉这种差异，且弱势母体情况对健康传递的强化效应更明显。

　　这篇文章探讨了母亲不同情况如何以不同的方式影响健康从一代传递到下一代。通过采用一种来自机器学习领域的新型基于模型的递归分割算法，研究者们识别出不同的情况特征，这些特征表现出不同的健康传递率。研究结果表明，母亲的健康状况对新生儿健康的影响存在显著的异质性，这说明使用全球统一模型来研究健康传递是不够的。在不利情况下，母亲的健康对新生儿健康的影响更为强烈。这一发现对制定更具针对性的社会保障政策具有重要意义，并有助于理解如何打破健康不平等的代际循环。

健康不平等在代际间的持续存在是经济学家和政策制定者关注的重要问题。人类资本，包括健康和教育，是父母经济结果向子女传递的关键渠道。Eriksson等人（2005）估计，健康状况这一渠道本身就可以解释父母收入与子女收入之间相关性的三分之一。在生命早期，健康因素对个人未来的收入、健康状况以及教育成就等都有长期影响。因此，理解健康不平等是如何在代际间传递的，对于制定有效的社会政策至关重要。

在这项研究中，作者关注的是母亲的不同情况特征如何影响健康传递的速率。为了回答这个问题，他们采用了一种新的基于模型的递归分割方法，这是一种机器学习技术，能够以数据驱动的方式识别出不同情况特征的组合。这种方法不同于传统的回归和分类树，它不仅关注响应变量的值，还关注响应变量与解释变量之间的关系模式。通过这种方法，研究者们能够发现不同的情况特征组合对健康传递的影响程度不同，从而揭示出健康传递过程中的异质性。

研究中使用的数据来自印度的全国家庭健康调查（NFHS-V），这一调查提供了母亲和子女的健康结果以及一系列社会经济和人口统计数据。作者分析了母亲和婴儿的健康指标，包括母亲的BMI（体重指数）和身高，以及这些指标与各种社会经济和人口特征之间的关系。他们发现，不同情况特征的组合对健康传递的影响存在显著差异，这表明全球模型在捕捉这些差异方面存在局限。

研究结果表明，健康传递的异质性主要由宗教、母亲的教育水平、母亲的年龄、家庭财富以及婴儿的性别等因素驱动。这些因素的不同组合形成了不同的母亲情况特征，每个特征都与不同的健康传递率相关。作者还发现，不同情况特征在产前医疗保健的使用上存在差异，某些特征组合的群体在产前医疗保健的获取上更为有利。这些发现进一步支持了产前医疗保健作为健康传递的一个重要渠道的观点。

研究的贡献在于，它不仅提供了一种新的方法来识别健康传递的异质性，还揭示了母亲情况特征在健康传递中的重要性。传统研究通常将社会经济和人口特征视为独立变量，而这种方法能够考虑这些特征之间的复杂互动，从而更全面地理解健康传递的机制。此外，研究还连接了健康传递与机会不平等和代际流动性的研究领域，强调了母亲情况特征在健康不平等中的作用。

通过使用基于模型的递归分割方法，作者能够发现健康传递的异质性，并且这些发现得到了多种稳健性检验的支持。研究结果显示，母亲的身高对健康传递的影响比BMI更为显著，这与Venkataraman（2011）的研究结果一致。此外，作者还指出，母亲的健康状况与子女的健康状况之间存在强烈的关联，特别是在家庭财富较低的情况下。

这些研究结果对于制定社会政策具有重要的启示。它们表明，简单的全球模型无法充分捕捉健康传递的复杂性，因此需要更加细致和针对性的政策来应对不同情况特征下的健康不平等。例如，针对特定社会经济和人口特征的群体，可以设计更加有效的医疗保健干预措施，以改善其子女的健康状况。同时，这些结果也强调了产前医疗保健在促进健康传递中的关键作用，特别是在资源有限的情况下，提高医疗保健的可及性可能对改善代际健康传递具有重要意义。

研究的结构包括几个主要部分：首先，介绍了研究的方法论，详细描述了基于模型的递归分割技术及其在健康传递研究中的应用；其次，讨论了数据来源和变量选择；然后，展示了研究的主要结果，包括不同情况特征对健康传递的影响；接着，对研究结果进行了稳健性检验，以确保其可靠性；最后，总结了研究的政策意义，并提出了未来研究的方向。

整体来看，这项研究为理解健康不平等的代际传递提供了新的视角和方法。通过采用机器学习技术，作者能够识别出不同情况特征的组合，并揭示这些组合对健康传递的影响。研究结果不仅丰富了现有的文献，还为政策制定者提供了实际的指导，以更有效地应对健康不平等的问题。