36
Tabel 12. Lähendusvea väärtus keskmisele vanusele kahe hetke disaini 1 ja 2 hinnangule
kaalude ja jagamise viisi lõikes
Meetod
Kaalud 𝒘𝟐 (%) Töötaja-põhine jagamine Objekti-põhine jagamine
Kahe hetke disain 1
0,16
0,14
Kahe hetke disain 2
10 0,20 0,18 20 0,18 0,11 30 0,28 0,18 40 0,42 0,29 50 0,56 0,41 60 0,71 0,52 70 0,85 0,64 80 1,01 0,76 90 1,16 0,88
Keskmise vanuse parimad hinnangud on toodud joonisel 9, kus vaadeldakse erinevust tegeli- kust väärtusest. Siin on näha, et veerev disain 1 andis ebasoovitava tulemuse, sest paaritutel aastatel tekib alahinnang. See viitab asjaolule, et asutuste jagamisel eri aastate vahel sattusid esimesse poolde nooremad inimesed kui teise poolde. Haiglate andmete iga-aastasel kasutami- sel seda mõju enam ei ole.
Joonis 9. Keskmise vanuse parimate hinnangute erinevus tegelikkusest iga meetodi korral Keskmise vanuse korral ei saa eelistada ühte meetodit teisele, kui välistada veerev disain 1. Objekti-põhise jagamise korral, andsid nii veereva disaini 2 kui ka mõlemad kahe hetke disaini- ga tehtud hinnangud sama hea tulemuse.
37
Kokkuvõte
Käesolevas magistritöös uuriti, milline neljast meetodist sobib tervishoiutöötajate aruandlus-
koormuse vähendamiseks. Vaadeldi veerevat ja kahe hetke disaini, millest kumbagi rakendati
üldkogumis kahel erineval viisil. Veerevat disaini 1 rakend ati kogu üldkogumis, veerev at
disaini 2 aga üksnes üldkogumi osas. Kahe hetke disaini 1 ja 2 hinnangud avaldati kahel erine-
val meetodil . Üldiselt avaldusid hinnangud kaalutud lineaarkombinatsiooni kujul. Erinevate
kaalude mõju uuriti katseliselt.
Aruandluskoormuse vähendamiseks kasutati andmeesitajate ehk tervishoiuasutuste kaasamist
erinevatel aastatel. Osa tervishoiuasutustest otsustati küsitleda paaritutel aastatel ja teine osa
paarisaastatel. Selleks, et valida , milline asutus millal küsitleda, rakendati jagamisalgoritmi .
Algortim jaotab asutused määratud numbrilise tunnuse järgi nii, et selle tunnuse kogusumma
mõlemas pooles oleks võimalikult sarnane. Vaadeldi eraldi kahte tunnust: isikute arvu ja objek-
tide arvu asutuses, kus objektiks on isik erinevatel ametitel (andmetabeli rida). Selgus, et tule-
mused ei sõltu jagamisel kasutavatest tunnustest, mistõttu tulevikus piisab algoritmi realiseeri-
misel objektide arvu põhi se jagamisviisi kasutamisest. Seda tuleks eelistada ka selle lihtsuse
tõttu, kuna objektide arv on sama, mis ridade arv.
Teiseks väljakutseks magistritöös vaadeldud meetodite rakendamisel oli aastatega muutuv and-
mestik. Uute asutuste jaoks tuli määrata, millisel aastal nendelt aruannet küsida. Küsitlemis-
aasta valiti lähtuvalt sellest, kui palju asutusi ja milliste töötajate või objektide arvudega, oli
vaadeldaval aastal lõpetanud tegevuse või ei töötanud.
Käesoleva töö raames uuriti kolme parameetri hindamist: tervishoiutöötajate arv, tegelikult
täidetud ametikohtade arv ja keskmine vanus.
Tervishoiutöötajate arvu hindamisel andsid täpseimaid tulemusi veereva disainiga 2 saadud
hinnangud, kus vaadeldava aasta kaal oli 60%. Tegelikult täidetud ametikohtade hinda misel
andsid täpseimaid tulemusi veereva disainiga 1 saadud hinnangud , kus vaadeldava ja sellele
eelneva aasta kaalumiseks kasutati ainult tervishoiutöötajate arvust tulenevaid kaalusid.
Keskmise vanuse hindamiseks kasutatud kolme meetodi hinnangud olid kõik sarnase täpsusega.
Kuna keskmine vanus sõltub tervishoiutöötajate arvu hinnangust, mille jaoks oli parim veerev
disain 2, siis ka keskmise vanuse jaoks on mõttekas neist valida veerev disain 2.
38
Kokkuvõttes võib järeldata, et parimaks antud töös uuritud meetodiks on veerev disain 2. Parem tulemus on tingitud sellest, et suuri asutusi (haiglaid) küsitletakse igal aastal. TAI otsib aktiivselt võimalusi nii asutuste kui ka andmekogujate koormuse vähendamiseks. Käesolevas magistritöös uuritud meetodid tõestasid, et asutusi on võimalik küsitleda osaliselt, säilitades samal ajal vajaliku statistilise informatsiooni ja selle kvaliteedi. Antud töö raames ei uuritud, milliseid tulemusi annavad vaadeldud meetodid erinevate osakogumite lõikes. Meetodite käitumist on võimalik veelgi parandada, uurides teisi viise asutuste jagamiseks ja kattuva osa väljavalimiseks. Ei ole välistatud teiste statist iliste, näiteks aegridadel põhinevate meetodite kasutamine.
39
Kasutatud kirjandus
[1]
Anderson, E. (2019). Imikute rinnapiimaga toitmise statistika kvaliteediraport.
Tallinn: Tervise Arengu Instituut.
[2]
Tervishoiuteenuste korraldamise seadus (09 05 2001). Riigi Teataja I. Kasutatud
10.03.2020, https://www.riigiteataja.ee/akt/109122016012?leiaKehtiv
[3]
Tervisestatistika ja terviseuuringute andmebaasi lehekülg. (i.a.). Kasutatud
20.05.2020, https://statistika.tai.ee/
[4]
Kish, L. (1990). Rolling Samples and Censuses. Survey Methodology , 16, 63-79.
[5]
Särndal, C.-E., Swensson, B., Wretman, J. (2003). Model Assisted Survey
Sampling, New York:Springrer.
[6]
Tervise Arengu Instituut: tervishoiutöötajate ametite kodeerimine. (i.a.).
Kasutatud 17.02.2020, https://www.tai.ee/images/PDF/Klassifikaatorid/
Tervishoiut%C3%B6%C3%B6tajate_ametite_kodeerimine.pdf
[7]
Eesti Statistika: Eesti haldus- ja asustusjaotuse klassifikaator. (2019).
Kasutatud 17.02.2020,
http://metaweb.stat.ee/view_xml.htm?id=4601354&siteLanguage=ee
[8]
Tervise Arengu Instituut: tervishoiuteenuse osutajate liigitus. (i.a.). Kasutatud
17.02.2020,
https://www.tai.ee/images/PDF/Klassifikaatorid/Tervishoiuteenuse_osutajate_liigitu
s.pdf
[9]
Tervise Arengu Instituut: ICHA-HP Tervishoiuteenuse pakkujate liigitus. (i.a.).
Kasutatud 17.02.2020,
https://www.tai.ee/images/PDF/Klassifikaatorid/SHA2011_ICHA-HP.pdf
[10]
Kish, L. (1998). Space/Time Variations and Rolling Samples. Journal of Offcial
Statistics, 14(1), 31-46.
[11]
Alexander, C. H. (2002). Still Rolling: Leslie Kish's "Rolling samples" and the
American Community Survey. Survey Methodology , 28(1), 35-41.
40
Lisa 1. R kood asutuste pooleks jagamiseks
Kõigepealt loeme sisse vajalikud paketid. Käivitame kommentaarides olevad koodid, kui antud
paketid pole varem alla laetud.
#install.packages("haven")
#install.packages("dplyr")
#install.packages("reshape2")
library(haven)
library(dplyr)
library(reshape2)
Kasutame andmestikku asutused, kus igale asutusele on määratud selle kiht ja tunnus, mille
järgi soovitakse asutusi jagada. Käesolevas töös korrati seda algoritmi kaks korda: esimes el
korral oli tunnuseks tevishoiutöötajate arv asutuses ja teis el koral objektide (isik -amet) arv
asutuses.
Jätame andmestikku vaid vajalikud tunnused ja loome tunnuse pool, mis on esialgu tühi. Jaga-
misel kasutatava tunnuse nimeks on tunnus. Lisaks defineerime eraldi vektori kihid, kus on
kihtide väärtuste loetelu.
asutused<-asutused %>% select(id_kood, kiht, tunnus)%>%
arrange(kiht,tunnus) %>% mutate(pool=0)
kihid<-sort(unique(asutused$kiht)) kihid
[1] 11 12 13 14 15 16 17 20 25 30 40 50 51 53 100
Koostatakse tsükkel üle kõikide kihtide. for(i in kihid){ NN=length(asutused$id_kood[asutused$kiht==i]) N=NN if(NN==2){ asutused[asutused$kiht==i,]$pool[1]=1 asutused[asutused$kiht==i,]$pool[2]=2 }else{ viimane<-asutused[asutused$kiht==i,]$tunnus[N] eelviimased<-sum(asutused[asutused$kiht==i,]$tunnus[1:(N-1)]) if(eelviimased < viimane){ asutused[asutused$kiht==i,]$pool[N]<-1 asutused[asutused$kiht==i,]$pool[1:(N-1)]<-rep(2,length(1:(N-1))) } else if(NN==4){ asutused[asutused$kiht==i,]$pool[c(1,NN)]<-rep(1,2) asutused[asutused$kiht==i,]$pool[c(2,3)]<-rep(2,2) }else{ asutused[asutused$kiht==i,]$pool[1]<-1*(NN%%2==0)+2*(NN%%2!=0) k=2
41
while(sum((asutused[asutused$kiht==i,]$pool)==0)>0){
j=k
asutused[asutused$kiht==i,]$pool[N]<-1
esimeneryhm=sum(asutused[asutused$kiht==i,]$tunnus[
asutused[asutused$kiht==i,]$pool==1&
(asutused[asutused$kiht==i,]$pool!=0)])
teineryhm=sum(asutused[asutused$kiht==i,]$tunnus[
asutused[asutused$kiht==i,]$pool==2&
(asutused[asutused$kiht==i,]$pool!=0)])
eelviimased<-sum(asutused[asutused$kiht==i,]$tunnus[j:(N-1)])
while((eelviimased+teineryhm)>esimeneryhm){
j=j+1
eelviimased<-sum(asutused[asutused$kiht==i,]$tunnus[j:(N-1)])
if(j>=N-1) next
}
asutused[asutused$kiht==i,]$pool[c(k,j:(N-1))]<-
rep(2,length(c(k,j:(N-1))))
if(k==j) break
asutused[asutused$kiht==i,]$pool[k+1]<-1
N=j-1
k=k+2
if(N==k) {
asutused[asutused$kiht==i,]$pool[k]<-2
break
}
}
}
} }
Selle jagamisalgoritmi tulemuseks on tunnus pool väärtustega 1 ja 2 sõltuvalt sellest, millisesse poolde asutus sattus.
42
Lisa 2. Hinnangud erinevate meetodite ja tunnuste korral
Joonis L1. Tervishoiutöötajate hinnangud kahe hetke disaini 1 ja 2 korral
43
Tabel L1. Eri liiki koormustest tulenevad ametikohtade hinnangud
Täidetud ametikohtade arvu
hinnangud lepingulise
koormuse järgi
Tegelikult täidetud
ametikohtade arvu hinnang
Ületundidest tulenev täiendav
täidetud ametikohtade arvu
hinnang
-
Veerev disain 1
-
Veerev disain 2
-
Kahe hetke disaini 1 ja 2 hinnangud
44
Tabel L2. Eri liiki koormustest tulenevate ametikohtade hinnangute lähendusvead 𝑅𝑀𝑆𝐸
jagamisviisi ja meetodi lõikes
Parameeter
Täidetud ametikohtade
arvu hinnangud
lepingulise koormuse
järgi
Tegelikult täidetud
ametikohtade arvu
hinnang
Ületundidest tulenev
täiendav täidetud
ametikohtade arvu
hinnang
Jagamise viis
Töötaja-p. Objekti-p.
Töötaja-p. Objekti-p.
Töötaja-p. Objekti-p.
Meetod
Kaalud
Veerev disain 1 50 138,1 103,6 117,6 55,5 81,4 82,5 60 353,6 264,5 332,0 241,3 55,7 53,9 70 618,3 537,1 560,8 477,8 37,7 31,5 80 8823,0 809,7 789,5 714,3 25,0 32,8 90 1147,7 1082,3 1018,2 950,9 45,1 60,4 Veerev disain 2 50 182,5 99,2 193,2 102,5 9,3 8,9 60 230,5 149,4 234,5 148,5 9,1 8,6 70 278,5 201,8 275,8 194,5 9,7 10,3 80 326,5 254,2 317,2 240,5 10,2 12,2 90 374,6 306,6 358,5 286,5 10,8 15,3 Kahe hetke disain 1
203,0
118,8
196,7
115,5
7,9
8,0
Kahe
hetke
disain 2
10
183,6
205,2
163,2
169,9
21,4
32,5
20
228,5
128,7
233,0
127,6
24,1
8,1
30
326,9
267,2
333,3
218,8
69,5
48,6
40
425,2
439,2
433,5
371,4
115,0
89,2
50
523,5
611,1
533,8
524,0
160,5
129,8
60
648,6
783,0
634,1
676,6
206,0
170,4
70
797,5
954,9
734,4
829,2
251,4
210,9
80
946,5
1126,9
848,5
981,8
296,9
251,5
90
1095,5
1298,8
977,7
1134,5
342,4
292,1
Joonis L2. Hinnang keskmisele vanusele veereva disaini 1 korral
45
Joonis L3. Hinnang keskmisele vanusele veereva disaini 2 korral
Joonis L4. Hinnang keskmisele vanusele kahe hetke disaini 1 ja 2 korral
46
Lihtlitsents lõputöö reprodutseerimiseks ja üldsusele kättesaadavaks tegemiseks
Mina, Diana Sokurova,
- annan Tartu Ülikoolile tasuta loa (lihtlitsentsi) minu loodud teose
„Tervishoiutöötajate aruandluskoormuse vähendamine veereva ja kahe hetke valimidisaini abil
ja kahe hetke valimidisaini abil“,
mille juhendajad on Imbi Traat ja Natalja Eigo,
reprodutseerimiseks eesmärgiga seda säilitada, sealhulgas lisada digitaalarhiivi DSpace kuni autoriõiguse kehtivuse lõppemiseni.
-
Annan Tartu Ülikoolile loa teha punktis 1 nimetatud teos üldsusele kättesaadavaks Tartu Ülikooli veebikeskkonna, sealhulgas digitaalarhiivi DSpace kaudu Creative Commonsi litsentsiga CC BY NC ND 3.0, mis lubab autorile viidates teost reprodutseerida, levitada ja üldsusele suunata ning keelab luua tuletatud teost ja kasutada teost ärieesmärgil, kuni autoriõiguse kehtivuse lõppemiseni.
-
Olen teadlik, et punktides 1 ja 2 nimetatud õigused jäävad alles ka autorile.
-
Kinnitan, et lihtlitsentsi andmisega ei riku ma teiste isikute intellektuaalomandi ega isikuandmete kaitse õigusaktidest tulenevaid õigusi.
Diana Sokurova 25.05.2020