州药物政策有效性：药物过量死亡率的比较政策分析
应用统计
2020-10-07 v3 机器学习
计量经济学
机器学习
摘要
阿片类药物过量率已达流行病水平，各州为预防过量死亡相继推出政策创新。州级药物法规是一组可能相互强化或削弱的政策，而分析人员用统计方法处理政策共线性的工具有限。本文使用一种称为层次聚类的机器学习方法，通过在给定时间将施行相似政策组合的州分组，实证生成“政策包”，用于以药物过量死亡为因变量的50州、10年中断时间序列回归分析。政策聚类由处方药滥用政策系统中按州与年份观测的138个二元变量生成。聚类将政策缩减为10个包的集合。该方法允许对不同包的相对效应排序，并可作为推荐最有可能成功者的工具。本研究表明，一套平衡药物治疗维持治疗、纳洛酮获取、好撒玛利亚人法、药物治疗维持治疗、处方药监测项目与医用大麻合法化的政策可减少过量死亡数，但需到施行第二年才显效。
引用
@article{arxiv.1909.01936,
title = {State Drug Policy Effectiveness: Comparative Policy Analysis of Drug Overdose Mortality},
author = {Jarrod Olson and Po-Hsu Allen Chen and Marissa White and Nicole Brennan and Ning Gong},
journal= {arXiv preprint arXiv:1909.01936},
year = {2020}
}