- Acta Infologica
- Vol: 5 Issue: 1
- Predicting Health Spending in Turkey Using the GPR, SVR, and DT Models
Predicting Health Spending in Turkey Using the GPR, SVR, and DT Models
Authors : Didem Güleryüz
Pages : 155-166
View : 20 | Download : 11
Publication Date : 2021-06-29
Article Type : Research
Abstract :Ülkeler için artan sağlık maliyetleri ve bu durumun uzun vadeli sürdürülebilirliği siyasi gündemin merkezinde yer almaktadır. Sağlık harcamalarındaki sürekli artış, hükümet bütçeleri, sağlık hizmetleri ve kişisel hasta finansmanı üzerinde baskı oluşturmaktadır. Politika yapıcılar, ortaya çıkabilecek sorunlara uyum sağlamak ve bu maliyetleri düşürmek için reformlar planlamak isterler. Bu durum, planlayıcıları karar destek sistemlerine ve tahmin modellerine yönlendirmiştir. Bu çalışmada, Türkiye’nin Sağlık Harcaması (HS) için çeşitli belirleyicileri dikkate alan bir tahmin modeli tasarlamak amacıyla Destek Vektör Regresyonu (SVR), Regresyon Ağacı (DT) ve Gauss Süreç Regresyonu (GPR) olmak üzere üç makine öğrenme algoritması kullanılmıştır. Kişi başına gayri safi yurtiçi hasıla, kentsel nüfus oranı, işsizlik oranı, 65 yaş ve üstü nüfus, ortalama yaşam süresi, hekim oranı ve toplam hastane yatak sayısı girdi değişkenleri olarak belirlenmiştir. Veri seti eğitim ve test verisi olarak ayrılmış ve 1990-2019 yılları arası 30 yılı kapsamaktadır. Geliştirilen modeller performans ölçütleri dikkate alınarak karşılaştırılmış ve en iyi model belirlenmiştir. SVR, GPR ve DT modelleri için belirleme katsayısı (R2) eğitim aşamasında sırasıyla 0.9929, 0.9989 ve 0.9611, test aşamasında sırasıyla 0.9536, 0.8944 ve 0.1166’dır. Ayrıca, SVR modeli, test aşamasında en yüksek R2 ve en düşük kök ortalama kare hatası değerleri ile en iyi tahmin sonuçlarına sahiptir. Çalışma, önerilen SVR modelinin RMSE değerini diğer GPR ve DT modellerine kıyasla sırasıyla % 32.02 ve % 39.66 azalttığını göstermiştir. Sonuç olarak, Türkiye’nin sağlık harcamaları SVR modeli kullanılarak yüksek doğrulukta tahmin edilebilir.Keywords : Sağlık Harcaması, Gauss Süreç Regresyonu, Regresyon Ağacı, Destek Vektör Regresyonu