Causal Impact of Health Care Resources on Mortality: An International Comparative Analysis

Ondřej Hobza

Bakalářská práce

Kauzální vliv zdravotnických zdrojů na úmrtnost: mezinárodní komparativní analýza

Anotace:

Tato práce zkoumá kauzální efekt zdravotnických zdrojů na úmrtnost v panelu 127 zemí s nízkými, nižšími středními a vyššími středními příjmy v období 2000 až 2018. Analýza se zaměřuje na hustotu lékařů a zdravotní výdaje na obyvatele jako hlavní vstupní ukazatele zdravotnictví, zatímco kojenecká úmrtnost, úmrtnost dětí do pěti let a mateřská úmrtnost slouží jako vysvětlované proměnné. Za účelem zohlednění nestacionarity a nepozorované heterogenity mezi zeměmi kombinuje empirická strategie modely dvoucestných fixních efektů v prvních diferencích s Driscollovými–Kraayovými standardními chybami a odhad Double/Debiased Machine Learning pro statická panelová data, implementovaný pomocí čtyř flexibilních learnerů. Výsledky poskytují nejsilnější důkazy o negativním vztahu mezi zdravotními výdaji na obyvatele a úmrtností dětí do pěti let. V odhadech DML je koeficient LASSO pro úmrtnost dětí do pěti let přibližně -0.04 a statisticky významný na pětiprocentní hladině významnosti, zatímco odhady metod elastic net a random forest jsou obdobné znaménkem i velikostí, avšak pouze marginálně statisticky významné. U kojenecké úmrtnosti jsou odhadnuté koeficienty zdravotních výdajů napříč algoritmy rovněž záporné, nedosahují však konvenční pětiprocentní hladiny statistické významnosti. Jakmile jsou zohledněny flexibilní funkční formy, hustota lékařů neposkytuje robustní důkazy o efektech, které snižujících úmrtnost. Kladný koeficient hustoty lékařů je navíc v rozporu s teoretickými očekáváními a může odrážet přetrvávající endogenitu, včetně reverzní kauzality. Interakční modely obdobně nepodporují hypotézu, že hustota lékařů je účinnější při vyšší dostupnosti ošetřovatelského personálu nebo vyšších zdravotních výdajích. Celkově výsledky naznačují, že financování zdravotnictví souvisí s krátkodobým zlepšením dětské úmrtnosti konzistentněji než samotná dostupnost lékařů.

Abstract:

This thesis examines the effect of healthcare resources on mortality in a panel of 127 low-, lower-middle-, and upper-middle-income countries observed from 2000 to 2018. The analysis focuses on physician density and per capita health expenditure as the main healthcare inputs, while infant mortality, under-five mortality, and maternal mortality are used as the outcome variables. To address non-stationarity and unobserved country heterogeneity, the empirical strategy combines first-differenced two-way fixed-effects models with Driscoll--Kraay standard errors and a Double/Debiased Machine Learning estimator for static panel data, implemented with four flexible learners. The results provide the strongest evidence for a negative relationship between per capita health expenditure and under-five mortality. In the DML estimates, the LASSO coefficient on log per-capita health expenditure for under-five mortality is approximately -0.04 and statistically significant at the five percent level, while the elastic net and random forest estimates are similar in sign and magnitude but only marginally significant. For infant mortality, the estimated health-expenditure coefficients are also negative across learners, but they do not reach conventional five-percent significance levels. Physician density, by contrast, does not provide robust evidence of mortality-reducing effects once flexible functional forms are allowed. Moreover, the positive physician-density coefficient is inconsistent with theoretical expectations and may reflect remaining endogeneity, including reverse causality. The interaction models likewise do not support the hypothesis that physician density becomes more effective when supported by greater nursing availability or higher health expenditure. Overall, the findings suggest that health financing is more consistently related to short-run improvements in child mortality than physician availability.

Klíčová slova

double/Debiased Machine Learning, zdravotnické zdroje, kauzální vliv, fixní efekty, dětská a mateřská úmrtnost

Keywords

causal inference, double/debiased machine learning, healthcare resources, child and maternal mortality, fixed effects

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 10. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 17. 6. 2026
• Vedoucí: Lukáš Frýd
• Oponent: Martin Dlouhý

Vysoká škola ekonomická v Praze

Bakalářský studijní program / obor:
Matematické metody v ekonomii / Ekonometrie a operační výzkum