Analiza regionalnych nierówności zdrowotnych w Unii Europejskiej z wykorzystaniem Indeksu Stanu Zdrowia

Transkrypt

1 Renata Jaworska * Analiza regionalnych nierówności zdrowotnych w Unii Europejskiej z wykorzystaniem Indeksu Stanu Zdrowia Wstęp Problematyka zdrowia publicznego obecna jest w Unii Europejskiej (UE) od momentu powstania tej organizacji i jej znaczenie stopniowo rośnie. Pomimo że przeciętny stan zdrowia ludności stale się poprawiał w ciągu ostatnich kilkudziesięciu lat, różnice w stanie zdrowia pomiędzy mieszkańcami różnych regionów UE oraz pomiędzy grupami znajdującymi się w najbardziej korzystnej i niekorzystnej sytuacji społecznej są nadal znaczne, a w niektórych przypadkach nawet się zwiększyły [Komunikat Komisji, 2009]. Wobec tego UE stoi przed poważnym problemem, jakim są znaczne nierówności zdrowotne między państwami członkowskimi oraz wewnątrz tych państw. Regionalne różnice w stanie zdrowia wyjaśniane są wpływem czynników społeczno-ekonomicznych. Celem niniejszej pracy jest ocena poziomu stanu zdrowia publicznego w regionach UE. Wchodząc nieco w szczegóły, wyniki badania pozwolą nie tylko na określenie poziomu stanu zdrowia publicznego, ale również dadzą odpowiedź na pytanie, które czynniki socjoekonomiczne i w jakim stopniu determinują poziom zdrowia mieszkańców w regionach. W badaniu empirycznym postawione zostały następujące hipotezy: 1. Stan zdrowia ludności jest wypadkową wielu czynników (demograficznych, ekonomicznych, infrastruktury ochrony zdrowia) mających wpływ na kształtowanie się klasycznych mierników stanu zdrowia. 2. Regiony UE są zróżnicowane ze względu na poziom stanu zdrowia publicznego; regionalne różnice w stanie zdrowia są wyjaśniane nierównościami w rozwoju ekonomicznym, społecznym, dostępnością do opieki zdrowotnej. Zdrowie populacji, jako kategoria ekonomiczna, ma charakter złożony, co powoduje, że jest trudno mierzalne. W celu oceny stanu zdrowia na poziomie makroekonomicznym odpowiedzią może być konstrukcja miernika stanu zdrowia z wykorzystaniem modelu MIMIC (Multiple Indicator Multiple Causes). Model MIMIC należy do klasy modeli równań strukturalnych, które umożliwiają szacowanie modeli ze zmiennymi ukrytymi. W tym przypadku zmienną niemierzalną bezpośrednio jest stan zdrowia ludności w poszczególnych regionach (NUTS 2) w UE. Analizie poddano wybrane regiony UE w 2010 roku. Wyniki badania pozwalają stworzyć ranking regionów ze względu na poziom stanu zdrowia populacji, a także pokazują zróżnicowanie przestrzenne badanego zjawiska, jakim są nierówności stanu zdrowia publicznego w krajach UE. 1. Przesłanki teoretyczne Z przeglądu dotychczasowych badań wynika, że zastosowanie modelu MIMIC do oceny stanu zdrowia w ujęciu regionalnym ma silne przesłanki teoretyczne. U jego podstaw leży koncepcja modelu stanu zdrowia MIMIC-HSI z lat 70. XX wieku. Nie należy go mylić z modelem MIMIC (Multiple Indicator Multiple Causes) należącym do klasy modeli równań * Mgr, doktorantka w Katedrze Ekonometrii Przestrzennej, Wydział Ekonomiczno- -Socjologiczny, Uniwersytet Łódzki, jaworska@uni.lodz.pl

2 strukturalnych. Modele MIMIC-HSI, nazywane w literaturze Modelami Indeksu Stanu Zdrowia, są wielorównaniowymi modelami ekonometrycznymi ze zmienną ukrytą (HSI). Opisują zdrowie, które jest zmienną nieobserwowalną, pośrednio za pomocą przyczyn je kształtujących i wskaźników stanu zdrowia. Model Indeksu Stanu Zdrowia ze zmiennymi ukrytymi został po raz pierwszy zastosowany w badaniach stanu zdrowia ludności zamieszkującej 50 stanów Ameryki Północnej [Robinson, Ferrara, 1977]. W latach 80. i 90. XX wieku modele MIMIC-HSI były rozszerzane o nowe równania 1 : 1. B. Wolf, J. Van der Gaag, lata 80. XX wieku indeks stanu zdrowia dzieci z uwzględnieniem grup społeczno-ekonomicznych ich rodzin. 2. E.M. Hooijmans, W. Van den Ven (1982) model wyjaśniający regionalne różnice w częstości korzystania z opieki medycznej i wielkości podaży tej opieki. 3. G. Duru, J.H.P. Pealinck (1991) wielorównaniowy model opisujący koszty funkcjonowania opieki medycznej w zależności od zmiennych demograficznych i socjoekonomicznych. Należy nadmienić, że omówione powyżej modele stanu zdrowia były modelami mikroekonometrycznymi, tzn. opisywały stan zdrowia poszczególnych jednostek. Model, który dotyczył stanu zdrowia całych populacji, został zastosowany przez Francuza A. Tiboutiego (1986) na próbie 94 krajów z 1973 roku. Wśród zmiennych egzogenicznych w modelu znalazły się: udział ludności w wieku poniżej 15 lat w ogólnej liczbie ludności, liczba lekarzy przypadająca na 1 mieszkańca, liczba kalorii spożywana dziennie przez mieszkańca i-tego kraju, udział ludności miejskiej w ogólnej liczbie mieszkańców. Jako zmienne endogeniczne autor modelu przyjął: przeciętne dalsze trwanie życia, wskaźnik umieralności niemowląt, nieobserwowalny wskaźnik stanu zdrowia (HSI). 2. Metodyka badań W celu oceny stanu zdrowia na poziomie makroekonomicznym wykorzystano model MIMIC (Multiple Indicator Multiple Causes). Metodyka badania opiera się na zastosowaniu modeli równań strukturalnych (SEM), które umożliwiają szacowanie modeli ze zmiennymi ukrytymi. Ogólny model SEM (Structural Equation Model) można zapisać w następującej postaci [Bentler, 1980; Bollen, 1989]: Model strukturalny: η = Bη+ Γξ + ζ, (1) η wektor endogenicznych zmiennych ukrytych, ξ wektor egzogenicznych zmiennych ukrytych, ζ wektor reszt w równaniach, B macierz współczynników strukturalnych η, Γ macierz współczynników strukturalnych ξ. Model pomiarowy: y = Λyη + ε, 1 Syntetycznego przeglądu zastosowań Modelu Indeksu Stanu Zdrowia dokonano w monografii [Suchecka, 1998, s ].

3 x = Λxξ + δ. (2) y wektor obserwowalnych zmiennych endogenicznych, x wektor obserwowalnych zmiennych egzogenicznych, ε wektor składników losowych w y, δ wektor składników losowych w x, Λ wektor ładunków czynnikowych. Model MIMIC, nazwany modelem wielu wskaźników i wielu przyczyn [Jöreskog, Goldberger, 1975], jest specjalnym przypadkiem ogólnego modelu SEM. W swojej oryginalnej formie określa relację strukturalną pomiędzy jedną endogeniczną zmienną latentną (nieobserwowalną) i kilkoma zmiennymi obserwowalnymi. Równania modelu MIMIC są następujące: Model strukturalny: η1 = γx + ζ1, (3) η1 zmienna ukryta, xqx1 wektor obserwowalnych zmiennych egzogenicznych, ζ1 składnik losowy, γqx1 wektor ładunków czynnikowych. Model pomiarowy: y = λη + ε, (4) ypx1 wektor obserwowalnych zmiennych endogenicznych, εpx1 wektor składników losowych, λpx1 wektor ładunków czynnikowych, ϕ kowariancje pomiędzy zmiennymi wskaźnikowymi (causes). Rysunek 1. Diagram ścieżkowy proponowanego modelu MIMIC Przyczyny Skutki Φ 1 Φ 12 Φ 2q X1 X2 Xq γ γ γ HS I ε λ Y1 λ Y2 Model pomiarowy ε 2 ε p Model strukturalny Źródło: Opracowanie własne. Konstrukcja modelu MIMIC składa się z modelu opisującego powiązania pomiędzy zmienną ukrytą, nazywanego modelem strukturalnym, oraz modelu pomiaru endogenicznych zmiennych obserwowalnych. Model pomiarowy jest reprezentacją wyników analizy czynnikowej pozwalającej na wyliczenie ładunków poszczególnych czynników kształtujących zmienną ukrytą. Model strukturalny przedstawia natomiast analizę ścieżkową, pozwalającą na określenie związków przyczynowo-skutkowych (kowariancji) pomiędzy zmiennymi wskaźnikowymi.

4 3. Dane Przestrzenny zakres badania stanowią regiony 25 krajów UE. Po usunięciu obserwacji odstających, tzn. regionów, w których wartości zmiennych znacznie odbiegały od pozostałych, do badania zakwalifikowały się 233 regiony UE (25) 2. Dane statystyczne dla 2010 roku pozyskano z Eurostatu [ ]. Przy wyborze zmiennych opierano się na omawianym wcześniej modelu A. Tiboutiego. Stąd wśród potencjalnych zmiennych endogenicznych znalazły się: przeciętne dalsze trwanie życia w momencie narodzin, współczynnik umieralności niemowląt, współczynnik zgonów ogółem oraz liczba lekarzy przypadająca na 100 tys. mieszkańców jako zmienna egzogeniczna. Umieralność jest podstawowym negatywnym miernikiem pozwalającym na ocenę kierunków kształtowania się sytuacji zdrowotnej. W analizach umieralności stosowane są różne mierniki. Podstawowym jest ogólny, rzeczywisty współczynnik zgonów (umieralność) odnoszący się do ogółu zgonów w danym okresie, do liczby ludności narażonej na ryzyko zgonu w tym okresie. Drugi to współczynnik umieralności niemowląt, który odnosi się do liczby dzieci zmarłych przed ukończeniem pierwszego roku życia w ciągu roku w stosunku do liczby żywych urodzeń w tym roku [Miller, Gębska-Kuczerowska, 2008]. Liczba lekarzy jest jednym z najczęściej stosowanych wskaźników, wyrażającym dostępność opieki medycznej w badaniach stanu zdrowia. Wpływ tej zmiennej na stan zdrowia potwierdzono m.in. w badaniach ekologicznych w Stanach Zjednoczonych [Shi i inni, 1999, s ], których wyniki dowodzą, że nierówność dochodowa i podstawowa opieka medyczna (mierzona liczbą lekarzy podstawowej opieki zdrowotnej na 10 tys. mieszkańców) mają silny i istotny statystycznie wpływ na śmiertelność i przeciętne dalsze trwanie życia. Wśród pozostałych zmiennych egzogenicznych uwzględniono m.in. odsetek osób z wykształceniem wyższym oraz gęstość zaludnienia. Od lat 80. XX wieku, kiedy to w Wielkiej Brytanii został opracowany The Black Report, status socjoekonomiczny (w tym poziom wykształcenia) powszechnie uznawany jest za istotny czynnik determinujący zachowania i świadomość zdrowotną, a także stan zdrowia ludzi (i związaną z nim przeciętną długość życia oraz wskaźniki umieralności). W literaturze nie brakuje opracowań [np. Korzeniowska, 2009] pokazujących jasną zależność pomiędzy niskim poziomem wykształcenia a częstszym podejmowaniem zachowań o charakterze antyzdrowotnym (tj. palenie papierosów, konsumpcja alkoholu, niewłaściwa z punktu widzenia zdrowia dieta czy brak aktywności fizycznej). Gęstość zaludnienia w zdrowiu publicznym jest czynnikiem o charakterze epidemiologicznym. Zbyt duża gęstość zaludnienia ułatwia rozprzestrzenianie się chorób. Generalnie w Europie nie występuje zjawisko przeludnienia, można jednak wskazać obszary o dużej gęstości zaludnienia. Są to regiony środkowo-zachodniej Europy, na terenie których zlokalizowane są największe aglomeracje miejskie: Londyn, Paryż i Zagłębie Ruhry w Niemczech. Listę wszystkich potencjalnych zmiennych uwzględnionych w modelu przedstawiono w tablicy 1. 2 Obserwacje, które zostały usunięte, to przede wszystkim tzw. terytoria specjalne, które ze względów historycznych, geograficznych czy politycznych mają inne niż reszta obszaru relacje z rządami państw, w obrębie których się znajdują, a co za tym idzie, również z Unią Europejską. Poza tym, w celu uniknięcia zniekształcenia wyników, usunięte zostały obserwacje odstające (outliers).

5 Tablica 1. Potencjalne zmienne modelu Zmienna Opis Kierunek zależności* Zmienna ukryta HSI Indeks stanu zdrowia populacji Egzogeniczne zmienne wskaźnikowe X1 PKB per capita w euro + X2 Gęstość zaludnienia w os./km 2 - X3 Liczba lekarzy na 100 tys. mieszkańców + X4 Odsetek osób z wykształceniem wyższym + X5 Stopa bezrobocia - Endogeniczne zmienne wskaźnikowe Y1 Przeciętne dalsze trwanie życia w momencie narodzin + Y2 Współczynnik umieralności niemowląt - Y3 Współczynnik zgonów ogółem - * znak + wskazuje, że dana zmienna jest stymulantą, znak - określa destymulantę Źródło: Opracowanie własne. 4. Wyniki Najczęściej stosowaną metodą estymacji modelu MIMIC jest metoda największej wiarygodności. Jednak ze względu na dość restrykcyjne założenia (wielowymiarowy rozkład normalny, duża próba), można stosować inną odporną na rozkład metodę ADF (ang. Aproximately Distribution Free). W praktyce bardzo trudno spełnić założenie o wielowymiarowym rozkładzie normalnym. Zmienne wybrane do proponowanego modelu również nie spełniały tego kryterium. Stąd zaistniała potrzeba oszacowania modelu także metodą odporną na rozkład. Wyniki zawiera tablica 2. Tablica 2. Wyniki oszacowań modelu Metoda największej Parametr wiarygodności (ML) Błąd standard. z P> z m. struktur. HSI <- X2-0, , ,28 0,001 X1 0, , ,64 0,000 X3 0, , ,59 0,000 m. pomiarowy Y1<-HSI const 1 (constr) 76,179 0, ,71 0,000 Y2 <-HSI const -0,495 5,753 0,226-9,65 25,36 0,000 0,000 chi2= 10,77; Prob > chi2 = 0,1488 ADF Coef. Std. Err. z P> z m. structur. HSI <- X2-0, , ,92 0,000 X1 0, , ,15 0,000 X3 0, , ,15 0,000 m. pomiarowy Y1 <-HSI const Y2<-HSI const 1 (constr) 76,194 0, ,78 0,000-0,473 5,71 chi2= 14,7 ; Prob > chi2 = 0,0399 Źródło: Opracowanie własne w programie Stata ,0520 0,237 9,10 24,08 0,000 0,000

6 Ostatecznie w modelu pozostawiono zmienne istotne statystycznie. W związku z tym finalna postać modelu po oszacowaniu zawiera trzy zmienne egzogeniczne (X1, X2, X3) oraz dwie zmienne endogeniczne (Y1, Y2). Z modelu usunięto natomiast zmienne: odsetek osób z wykształceniem wyższym (X4) i stopę bezrobocia (X5), a spośród obserwowalnych zmiennych objaśnianych współczynnik zgonów (Y3), gdyż nie wpływały istotnie na objaśnianą zmienną stan zdrowia (HSI). Również pod względem merytorycznym oszacowania są poprawne, o czym świadczą zgodne z teorią kierunki zależności pomiędzy zmiennymi. Porównując wartości oszacowań metodą ML i ADF, można zauważyć, że są one bardzo zbliżone do siebie. Na korzyść pierwszej metody przemawia natomiast istotna statystycznie wartość statystyki chi-kwadrat równa 10,77. Świadczy ona o dobrym dopasowaniu modelu do danych empirycznych. W dalszej części pracy interpretowane wyniki opierać się będą na obliczeniach uzyskanych metodą ML. Oszacowany model należało zweryfikować pod względem stopnia dopasowania oraz istotności parametrów. Wśród miar stopnia dopasowania modelu SEM za najważniejsze przyjmuje się statystykę chi-kwadrat, średniokwadratowy błąd aproksymacji, wskaźniki CFI (Comparative Fit Index) i TLI (Tucker Lewis Index), znany również jako NNFI (Nonnormed Fit Index), wystandaryzowany pierwiastek średniego kwadratu reszt oraz współczynnik determinacji. Najbardziej popularnym wskaźnikiem dopasowania modelu do danych jest wartość statystyki chi-kwadrat (χ 2 ). Hipoteza zerowa testu H0: Σ = Σ(Θ) mówi, że macierz kowariancji z próby Σ jest równa macierzy kowariancji implikowanej przez model Σ(Θ). Oznacza to, że reszty standaryzowane macierzy empirycznej i teoretycznej wynoszą 0, co oznacza, że ograniczenia nałożone przez badacza są trafne. Jednakże stosowanie tego testu jest uzasadnione jedynie w przypadku licznych prób. Wrażliwość testu χ 2 na liczebność próby spowodowała, że w praktyce stosuje się inne, alternatywne wskaźniki dopasowania. Dla oceny modelu SEM wykorzystuje się powszechnie również błąd średniokwadratowy (RMSEA). Podczas obliczania wskaźnika RMSEA nie następuje porównywanie modelu estymowanego z modelem bazowym. Im niższa wartość wyliczonego na podstawie modelu wskaźnika RMSEA, tym lepszy stopień dopasowania modelu. Przyjmuje się, że dla wartości RMSEA mniejszej od 0,08 model jest dobrze dopasowany do danych. Wskaźniki CFI i TLI to miary relatywnego dopasowania modelu. Wskazują na adekwatność testowanego modelu w odniesieniu do modelu bazowego. Na podstawie tych wskaźników można określić stopień dopasowania modelu na kontinuum od 0 do 1, gdzie 0 oznacza najgorsze dopasowanie, a 1 najbardziej optymalny poziom dopasowania [Bentler, 1990]. Wystandaryzowany pierwiastek średniokwadratowy reszt (SRMR) wskazuje na różnice pomiędzy macierzą kowariancji z próby oraz macierzą kowariancji oszacowaną przez model. Wartości bliższe 0 wskazują na lepsze dopasowanie [Jöreskog, Sörbom, 1981, s. 41; 1989, s. 44]. Współczynnik determinacji (CD) pełni podobną rolę jak R 2 w tradycyjnym modelu regresji i oznacza dopasowanie całego modelu.otrzymane miary dopasowania zawiera tablica 3. Tablica 3. Miary dopasowania modelu MIMIC Miara dopasowania Opis Wartość Statystyka chi-kwadrat

7 chi-kwadrat(ms) p > chi-kwadrat model vs. model nasycony chi-kwadrat(bs) H0: Σ = Σ(Θ) p > chi-kwadrat model zerowy vs. model nasycony H0: Σ = Σ(Θ) 11,025 0, ,727 0,000 Błąd RMSEA RMSEA Pierwiastek średniokwadratowego błędu aproksymacji H0: εa ,050 p 0,437 Kryteria informacyjne AIC Kryterium Informacyjne Akaike BIC Kryterium Bayesowskie Schwarza Miary relatywnego dopasowania CFI Względny indeks dopasowania 0,979 TLI Indeks Tuckera-Lewisa 0,979 Reszty modelu SRMR Wystandaryzowany pierwiastek 0,231 średniego kwadratu reszt CD Współczynnik determinacji 0,582 Źródło: Opracowanie własne w programie Stata , ,033 Wartość wskaźnika CFI oszacowanego modelu jest równa 0,97, a wartość RMSEA jest na poziomie 0,05. Oznacza to, że przedstawione miary świadczą o poprawnym dopasowaniu modelu do danych empirycznych. Statystyka chi-kwadrat jest istotna na poziomie 0,14, co wskazuje na brak podstaw do odrzucenia hipotezy zerowej mówiącej o dobrym dopasowaniu modelu. W celu porównania siły zależności wszystkich zmiennych w modelu należy posługiwać się wartościami standaryzowanymi ocen parametrów strukturalnych. Schemat relacji pomiędzy zmiennymi w oszacowanym modelu indeksu stanu zdrowia przedstawiono na rysunku 2. Rysunek 2. Diagram ścieżkowy modelu wraz z ocenami parametrów strukturalnych X X e X HSI Y1 Y Źródło: Opracowanie własne w programie Stata Z interpretacji ładunków czynnikowych wynika, że na stan zdrowia w regionach najsilniej oddziałuje poziom rozwoju gospodarczego regionu mierzony PKB per capita (X1), dla którego korelacja wynosi 0,57. Kolejnymi czynnikami w mniejszym stopniu determinującymi stan zdrowia są: opieka medyczna mierzona liczbą lekarzy na 100 tys. mieszkańców (X3) i gęstość zaludnienia (X2). Zmienną ukrytą stan zdrowia (HSI) opisują natomiast dwa wskaźniki: przeciętne dalsze trwanie życia w momencie narodzin (Y1) oraz współczynnik umieralności niemowląt (Y2). Współczynnik korelacji pomiędzy nimi a

8 zmienną ukrytą wynoszą odpowiednio 0,74 i -0,70, co wskazuje na dość silne zależności pomiędzy stanem zdrowia a wskaźnikami go opisującymi. Na podstawie otrzymanych ocen parametrów obliczono wartości indeksu oddziaływania na zdrowie w poszczególnych regionach UE. Wyższe wartości indeksu wskazują na lepsze uwarunkowania stanu zdrowia. Poniższa mapka poglądowa potwierdza fakt, że uwarunkowania stanu zdrowia w regionach są zróżnicowane przestrzennie. Duża dyspersja przestrzenna badanego zjawiska jest efektem znacznego zróżnicowania regionów jako jednostek terytorialnych oraz silnej heterogeniczności czynników determinujących stan zdrowia (PKB per capita, gęstość zaludnienia, liczba lekarzy) w europejskiej przestrzeni regionalnej. Najlepiej sytuacja wygląda w Skandynawii oraz w Europie Środkowej. Najwyższy indeks oddziaływania na zdrowie w UE osiągają: region Południowo-Wschodniej Irlandii, Sztokholm w Szwecji, Attiki w Grecji, Groningen w Holandii, Hamburg w Niemczech. Do regionów o najniższym poziomie oddziaływania na zdrowie zaliczają się województwa Polski (z wyjątkiem mazowieckiego) oraz regiony węgierskie. Rysunek 3. Indeks oddziaływania na zdrowie w regionach UE w 2010 roku Źródło: Opracowanie własne. Regiony Szwecji, Finlandii, Niemiec oraz Austrii osiągają najwyższe wartości indeksu oddziaływania na zdrowie, co oznacza, że wybrane determinanty społeczno-ekonomiczne mają najlepszy wpływ na kondycję zdrowotną ludności w tych regionach. Przede wszystkim należy wskazać na wysoki poziom rozwoju gospodarczego (mierzonego PKB per capita) we wskazanych regionach. Wyższy poziom rozwoju gospodarczego kraju zapewnia większą ilość środków trafiających do systemu ochrony zdrowia, umożliwia lepszą i wszechstronniejszą opiekę medyczną, gwarantuje wyższą jakość żywienia, a nawet korzystniejsze środowisko naturalne. Poza tym na wskazanych obszarach widoczne są skupiska regionów o wysokich wartościach indeksu, co może świadczyć o istnieniu przestrzennych zależności między badanymi regionami.

9 Zakończenie Na podstawie przeprowadzonego badania potwierdzone zostały hipotezy o wpływie czynników ekonomiczno-społecznych na stan zdrowia ludności. Wśród zmiennych determinujących stan zdrowia publicznego mierzonego wskaźnikami: umieralności niemowląt oraz przeciętnym dalszym trwaniem życia istotne okazały się PKB per capita opisujący sytuację gospodarczą w regionie, liczba lekarzy na 100 tys. mieszkańców obrazująca poziom opieki zdrowotnej oraz gęstość zaludnienia. Ponadto wyniki potwierdziły duże zróżnicowanie przestrzenne stanu zdrowia pomiędzy badanymi regionami UE. Najwyższy poziom oddziaływania na stan zdrowia jest w regionach krajów skandynawskich oraz Europy Środkowej (południowe Niemcy oraz Austria). Najgorzej sytuacja wygląda w Polsce oraz na Węgrzech, co przede wszystkim jest związane z poziomem rozwoju gospodarczego, przekładającym się na różne aspekty ochrony zdrowia populacji. Literatura 1. Bentler P.M. (1990), Comparative fit indices in structural models, Psychological Bulletin, No. 107(2). 2. Bollen K.A. (1989), Structural Equations with latent variables, New York: Wiley. 3. Jöreskog K.G., Sörbom D. (1981), Analysis of Linear Structural Relationship by Maximum Likelihood and Least Square Methods (Research Raport 81-8), Uppsala, Sweden. 4. Jöreskog K.G., Sörbom D. (1989), Lisrel 7: A guide to program and applications, SPSS Icp: Chicago, Illinois. 5. Jöreskog K.G., Goldberger A.S. (1975), Estimation of a model with multiple indicators and multiple causes of a single latent variable, Journal of the American Statistical Association, Vol. 70(351). 6. Komunikat Komisji do Parlamentu Europejskiego, Rady, Europejskiego Komitetu Ekonomiczno- Społecznego i Komitetu Regionów. Solidarność w Zdrowiu, zmniejszanie nierówności w UE (2009), Komisja Wspólnot Europejskich, SEK(2009) 1396, Bruksela. 7. Konarski R. (2009), Modele Równań Strukturalnych, PWN, Warszawa. 8. Korzeniowska E. (2009), Wykształcenie w badaniach socjologii zdrowia przemiany zjawiska i dylematy interpretacyjne., w: Metody, techniki i praktyka badań społecznych, Bąk A., Kubisz- Muła Ł. (red.), Wyd. Naukowe ATH, Bielsko-Biała. 9. Miller M., Gębska-Kuczerowska A. (2009), Epidemiologia metoda pomiaru stanu zdrowia zbiorowości, Postępy Nauk Medycznych, nr 4, Wydawnictwo Borgis, Warszawa. 10. O Connell P.J. (1999), Adults in training: an international comparison of continuing education and training, Centre for Educational Research and Innovation, OECD, Paris, dostępny na stronie: ce/f0.pdf. 11. Raport o rynku pracy oraz zabezpieczeniu społecznym (2007), Ministerstwo Pracy i Polityki Społecznej: Polska, Warszawa 2007, dostępny na stronie: Robinson P.M., Ferrara M.C. (1977), The estimation of a Model for Unobservable Variable with Endogenous Causes, w: Latent Variables in Socio-Econometrics Models, Aigner D.J., Goldberger A.S., North-Holland Publ. Co, Amsterdam.

10 13. Rodgers G.B. (1979), Income and inequality as determinants of mortality: An international cross-section analysis, w: In The society and population health reader, Kawachi I., Kennedy B., Wilkinson R.G. (red.), New York: New Press. 14. Shi L., Starfield B., Kennedy B., Kawachi I. (1999), Income inequality, primary care, and health indicators, Journal of Family Practice, No Suchecka J. (1998), Ekonometria Ochrony Zdrowia, Absolwent, Łódź. Użyte skróty ADF Aproximately Distribution Free CD Coefficient of Determination CFI Comparative Fit Index HSI Health Status Index ML Maximum Likelihood MIMIC Multiple Indicators Multiple Causes RMSEA Root Mean Square Error of Aproximation SEM Structural Equation Modeling SRMR Standarized Root Mean Square Residuals TLI Tucker-Lewis Index Streszczenie Unia Europejska kładzie duży nacisk na poprawę szeroko rozumianego zdrowia w krajach członkowskich. Pomimo że stan zdrowia publicznego w krajach UE w ostatnich latach znacznie się poprawił, różnice w stanie zdrowia pomiędzy mieszkańcami różnych regionów UE są nadal widoczne. Celem badania jest ocena stanu zdrowia w poszczególnych regionach UE oraz pokazanie przestrzennego zróżnicowania w Europie. Zdrowie populacji jako kategoria ekonomiczna ma charakter złożony, co powoduje, że jest trudno mierzalne. W celu oceny stanu zdrowia na poziomie makroekonomicznym odpowiedzią może być konstrukcja miernika stanu zdrowia z wykorzystaniem modelu MIMIC (Multiple Indicator Multiple Causes). Metodologia badania opiera się na zastosowaniu modelowania równań strukturalnych, które umożliwia szacowanie modeli ze zmiennymi ukrytymi. Analizie poddano regiony UE w 2010 roku. Wyniki badania pozwalają stworzyć ranking regionów ze względu na poziom stanu zdrowia populacji oraz oddziaływania na zdrowie. Słowa kluczowe zdrowie publiczne, model MIMIC, modelowanie równań strukturalnych, regiony UE Application of Health Status Index Model in comparative European Union States (Summary) The EU places great emphasis on improving the widely understood health in the Member States. Although the state of public health in the EU in recent years has significantly improved, the differences in health between different regions of the EU are still visible. The aim of the study is to assess the health status of the selected regions of the EU, and to show the spatial diversity in Europe. Health of the population as an economic category is complex, which makes it hard to measure. In order to assess the state of health at the macro level response may be health meter structure using a model of MIMIC (Multiple Indicator Multiple Causes). The research methodology is based on the use of structural equation modeling, which allows estimating models with latent variables. We analyzed the regions of the European Union in The results allow to create a ranking of regions because of the level of public health and the pressure on health. Keywords public health, MIMIC model, structural equation modeling, European Union regions

11