Diabetikeres præferencer for udstyr til administration af insulin

Transkript

1 Syddansk Universitet Odense Januar 2007 Institut for Sundhedstjenesteforskning Sundhedsøkonomi Diabetikeres præferencer for udstyr til administration af insulin Et discrete choice experiment Specialeafhandling, oecon Specialeafhandlingen er udarbejdet af: studoecon Jesper Kjær Hansen, cpr-nr xxxx studoecon Majbritt Jacobsen, cpr-nr xxxx Vejledere: Mickael Bech Trine Kjær

2 Forord De følgende sider udgør vores specialeafhandling på candoecon studiet ved Syddansk Universitet i Odense Vi har arbejdet med afhandlingen det meste af kalenderåret 2006 Undervejs i forløbet er en række samarbejdspartnere i større eller mindre omfang blevet inddraget i projektet I den forbindelse vil vi især gerne takke seniorøkonom i Novo Nordisk A/S Torsten Christensen, der fik idéen til specialets problemstilling, og hvis ekspertise på diabetesområdet er kommet os til gode under udarbejdelsen Derudover skal lyde en stor tak til lektor Mickael Beck og adjunkt Trine Kjær for god og konstruktiv vejledning I tilfælde af to forfattere på et speciale foreskriver studieordningen, at den enkelte studerendes bidrag skal kunne konstateres Det skal i den forbindelse understreges, at vi har skrevet specialet i fællesskab Således står vi begge til ansvar for specialets disposition, indhold og konklusioner Dog har Majbritt Jacobsen haft det overordnede ansvar for afsnit 1, 2, 4, 51, 52, 53, 54 og 56, mens Jesper Kjær Hansen har haft hovedansvaret for afsnit 3, 55, 57, 58 og 59 Hvad angår indledningen (afsnit 0) samt diskussions- og konklusionsafsnittene (afsnit 6 og 7) er ansvaret ligeligt fordelt mellem specialets to forfattere Odense, den 31 januar 2007 Majbritt Jacobsen & Jesper Kjær Hansen 1

3 English Summary Background Most diabetics eventually require exogenous insulin injections in order to achieve adequate glycemic (blood sugar) control Nowadays the syringes look like pencils, and their fitted needles are very small Despite this fact, some diabetic patients appear to be hesitant to use insulin, and consequently remain in poor glycemic control followed by an increased risk of damaging vital parts of the body Needle anxiety is one of the factors associated with this reluctance So far the alternatives to injections have been limited and only aimed at certain groups of diabetic patients However, within the last couple of years a new route of insulin administration has been developed; namely inhaled insulin administered by means of a handheld inhalator Due to technicalities inhaled insulin is more expensive than subcutaneous insulin one of the reasons why it is not included in any reimbursement system in Europe Objective The main objective of the thesis is to determine, how Danish diabetics value the different insulin administration systems More specifically, the purpose is to determine diabetic patients willingness-to-pay (WTP) for inhaled and subcutaneous administered insulin respectively Furthermore, the valuation of different characteristics describing the two systems are highlighted Finally, the impact of the results are analysed in a hypothetical market Methods The thesis is based on a discrete choice experiment (DCE) designed and conducted by the authors Data is collected by a mailed questionnaire, which was sent to 400 adult diabetics in Denmark DCE is a stated preferences method often used to elicit preferences for non-marketed goods The theoretical foundation of DCE is a combination of random utility theory, neoclassical economic theory and Lancaster s consumer theory, which states that the value of a good is determined by the sum of the values of its different characteristics In DCE respondents are asked to make a sequence of hypothetical choices among two or more alternatives The alternatives are described by a number of attributes The levels of the attributes are assigned by a systematic process called experimental design Each time a level changes, a new alternative arises This way the respondents latent utility functions are revealed containing information about the valuation of different characteristics of the good in question In the present study the alternatives (pen and inhalator) are described by the attributes size, integrated insulin diary, automatic measurement of blood sugar (pen only), 2

4 mild cough (inhalator only) and out-of-pocket payment The utility parameters are estimated by a conditional logit model The statistical software package Stata is used for estimation Results The final sample consists of 298 diabetics out of which 104 are diagnosed with type 1 and 196 are diagnosed with type 2 diabetes 57 per cent of the respondents are women and 43 per cent are men The average age is 49 years At equal prices a majority 60 per cent state that they prefer to administer insulin subcutaneously The percentage of respondents, who choose inhalator, is as expected biggest amongst diabetics, who do not use insulin When asked directly the average, monthly willingness-to-pay for inhaled insulin is 262 DKR about the same level as the respondents current out-of-pocket payment for diabetes-related medicine In DCE the average, monthly willingness-to-pay for the inhaled insulin system is 397 DKR If the inhalator is half the size of the current prototype, the willingness-to-pay rises to 444 DKR However, the average, monthly willingness-to-pay for subcutaneous administered insulin is 1108 DKR and 1279 DKR if the insulin-pen has a built-in blood sugar measurer In general, type 1 diabetic patients have the biggest willingness-to-pay for both inhaled and subcutaneously administered insulin The two alternative-specific attributes blood sugar measurer and cough have a significant impact on the respondents utility function, and are important reasons why pen is preferred to inhalator However, the constant term is still the largest component in total WTP for pen In a hypothetical market the inhaled insulin administration system has a market share of only 75 per cent Assuming equal prices, the share rises to 22 per cent indicating that price is an important factor in diabetics choice among different insulin administration systems In general, the price and the size of the inhalator appear to be the two most significant obstacles for widespread use of the inhaled insulin administration system in Denmark Conclusion As opposed to results of similar foreign studies Danish diabetics are not willing to pay an additional amount of money for the inhaled insulin administration system The utility associated with the characteristics of the inhalator do not justify a higher price for this alternative However, at equal prices the inhalator is expected to do pretty well on the Danish market for insulin Especially, the inhalator will be attractive to new insulin-users 3

5 Indholdsfortegnelse 0 Indledning 9 01 Behandling af diabetes 9 02 Metode Problemformulering Afgrænsning Disposition 12 1 Baggrund Samarbejde med Novo Nordisk A/S Policy-kontekst Diabetestyper Behandling Priser og tilskudsregler Lignende undersøgelser Forventninger til undersøgelsen 24 2 Teori Discrete choice experiments Det teoretiske fundament Neoklassisk økonomisk teori Nyttefunktionen Alternativspecifikke konstanter Interaktionsvariable Marginale substitutionsrater Velfærdsmål Marshall og Hicks definitioner Beregning af den kompenserende variation i DCE 37 3 Design- og dataindsamlingsprocessen Processen Attributter og attributniveauer Identifikation af attributter Identifikation af attributniveauer Overvejelser vedr attributter og niveauer (fokusgruppeinterviews) Justering af attributniveauer (pilotundersøgelse) Eksperimentelt design Metode Design Spørgeskema og dataindsamling Dataindsamlingsmetode Målgruppe Spørgeskemadesign Spørgeskemadesign, DCE Erfaringer fra pre-pilot undersøgelse Erfaringer fra pilotundersøgelsen 71 4

6 35 Potentielle bias og validitetsproblemer Bias Validitet og reliabilitet Fejlsøgning og kodning af rådata Fejlsøgning: indtastningsmaske og manuel gennemgang Fejl i rådata Kodning af data Datareliabilitet 78 4 Metode Modellering Conditional logit modellen IIA antagelsen Opstilling af model Conditional- versus multinomial logit Maximum likelihood metoden Skalaparameteren Den heteroskedastiske logit model Opsætning af data Kodning Datalayout Analyseværktøjer 96 5 Resultater Stikprøven Socio-demografiske variable Stikprøvens repræsentativitet Diabetestype Køns- og aldersfordeling Valgspørgsmål CVM Valgsæt DCE Estimater for standardmodeller Parameterestimater for standardmodeller Betalingsvilligheder Betalingsvillighed for pen og inhalator Betalingsvillighed for nuværende brugere af insulinpen Betalingsvillighed for fire alternative produktspecifikationer Hypoteser vedrørende betalingsvillighed Undersøgelse af et hypotetisk marked for insulin Velfærdsændring ved forbedrede alternativer Markedsanalyse Alternative tilgange til estimering 144 5

7 6 Diskussion Teori og metode Teoretiske antagelser Undersøgelsesdesign Undersøgelsens resultater Stikprøve og repræsentativitet Respondenternes karakteristika Respondenternes præferencer for udstyr til administration af insulin Undersøgelsens gennemførelse Processen Datareliabilitet og validitet Opsamling Konklusion 163 Litteratur 169 Bilag A: Proces og forundersøgelse 174 Bilag A1 Oplæg til samarbejde vedr empirisk studie 175 Bilag A2 Samarbejdsaftale med Novo Nordisk A/S 178 Bilag A3 Interviewguide til fokusgruppeinterviews 180 Bilag A4 Fokusgruppeinterviews: resumé og konklusion 184 Bilag B: Undersøgelsens spørgeskema og kodning 191 Bilag B1 med instruktioner til resp, pre-pilot undersøgelse 192 Bilag B2 Følgebrev til respondenterne, endelig undersøgelse 194 Bilag B3 Spørgeskema version 1, endelig undersøgelse 195 Bilag B4 Kodebog og tastevejledning 213 Bilag B5 Konstaterede fejl i pilotindtastningen 221 Bilag B6 Rekodning af rådata 223 Bilag B7 Stata programkode, master 253 Bilag C: Deskriptiv statistik 255 Bilag C1 Frekvenstabeller for udvalgte kategoriske variable 256 Bilag C2 Test af repræsentativitet 262 Bilag D: Estimations-output 266 Bilag D1 Estimations-output fra standardmodellerne 267 Bilag D2 Estimations-output fra status-quo modellen 276 Bilag D3 Estimations-output fra interaktionsmodellerne 280 Bilag D4 Estimations-output fra de heteroskedastiske modeller 291 Bilag D5 Output fra beregning af CV og markedsandele 299 Bilag D6 Output fra beregning af grafiske hypotesetests 309 6

8 Tabel- og figurfortegnelse Tabelfortegnelse Tabel 11 Merbetalingsvillighed for inhaleret insulin, ift subkutan insulin 24 Tabel 31 Maksimal egenbetaling for inhalator, fokusgruppeinterviews 49 Tabel 32a Oversigt over attributter og attributniveauer, pilotundersøgelse 52 Tabel 32b Oversigt over attributter og attributniveauer, endelig undersøgelse 52 Tabel 33 Undersøgelsens eksperimentelle design, inkl kodning af attributter 58 Tabel 41 Datalayout for valgsættene 95 Tabel 51 Antal besvarelser, fordelt på skemaversion og diabetestype 98 Tabel 52 Ekskluderede respondenter 99 Tabel 53 Deskriptiv statistik for udvalgte socio-demografiske variable 101 Tabel 54 Middelværdi for udvalgte variable, fordelt på undergrupper 105 Tabel 55 Aldersfordeling i population og stikprøve 111 Tabel 56 Deskriptiv statistik for valgspørgsmål 113 Tabel 57 Middelværdi for valgspørgsmål, fordelt på undergrupper 113 Tabel 58 Frekvenser for valgsættene 117 Tabel 59 Oversigt over modeller 120 Tabel 510 Sammenligning af estimater, standardmodeller 121 Tabel 511 Sammenligning af estimater, dominerende svar ekskluderet 124 Tabel 512 WTP estimater, standardmodeller 127 Tabel 513 WTP estimater, dominerende svar ekskluderet 127 Tabel 514 Sammenligning af status-quo estimater for brugere af insulinpen 129 Tabel 515 WTP estimater, status-quo, for nuværende brugere af insulinpen 130 Tabel 516 Sammenligning af estimater, interaktions-modeller 132 Tabel 517 Samlede WTP estimater for pen og inhalator, alle respondenter 134 Tabel 518 Samlede WTP estimater for pen, fordelt på undergrupper 135 Tabel 519 Samlede WTP estimater for inhalator, fordelt på undergrupper 135 Tabel 520 Kompenserende variation ved kvalitetsændring for pen og inhalator 141 Tabel 521 Markedsandele for pen og inhalator i et hypotetisk marked 143 Tabel 522 Sammenligning af estimater, heteroskedastiske modeller 144 Tabel 523 WTP estimater, heteroskedastiske modeller 146 Bokse og illustrationer Illustration 11 Novosprøjten, patenttegning Illustration 12 NovoLog FlexPen 20 Boks 31 Optimalt eksperimentelt design, SAS-kode 57 Boks 32 Spørgeskema: instruktion til DCE spørgsmål 64 Boks 33 Valgsæt 1, skemaversion 1 fra pre-pilotundersøgelsen 70 Boks 34 Valgsæt 1, skemaversion 1 fra den endelige undersøgelse 70 7

9 Figurfortegnelse Figur 51 Histogram over aldersfordeling, fordelt på køn, pct 100 Figur 52 Senest afsluttede uddannelse, fordelt på køn, pct 103 Figur 53 Civilstand, fordelt på køn og beskæftigelse, pct 103 Figur 54 Husstandsindkomst, fordelt på køn og civilstand, pct 103 Figur 55 Arbejdsmarkedstilknytning, fordelt på diabetestype og køn, pct 107 Figur 56 Køn, fordelt på diabetestype og insulinbehandling, pct 107 Figur 57 Blodsukkermålinger, fordelt på diabetestype og insulinbeh, pct 107 Figur 58 Respondenternes gennemsnitlige valg i DCE valgspørgsmålene 116 Figur 59 Fordelingen af respondenternes gentagne valg af alternativerne 118 Figur 510 Respondenternes rangordning af attributterne, på diabetestype 118 Figur 511 Sammenligning af betalingsviljeestimater for pen og inhalator 136 Figur 512 Sammenligning af betalingsviljeestimater, fordelt på undergrupper 137 8

10 0 Indledning I denne specialeafhandling afrapporteres og analyseres resultaterne fra en empirisk undersøgelse af diabetikeres præferencer for udstyr til administration af insulin At leve med diabetes: Undersøgelse af diabetikeres ønsker til insulinpræparater og -udstyr Desuden inddrages relevant teori og metode, ligesom der også bruges en del plads i afhandlingen på beskrivelse af de overvejelser, der er gjort i forbindelse med gennemførelse af undersøgelsen Den empiriske undersøgelse (postbaseret spørgeskemaundersøgelse) er designet og gennemført af forfatterne og finansieret af Novo Nordisk A/S 01 Behandling af diabetes Insulin er et hormon, som naturligt findes og produceres i kroppen, og som er med til at regulere blodets sukkerindhold Personer med diabetes er kendetegnet ved, at kroppens naturlige produktion af insulin på den ene eller anden måde bliver forstyrret Er det tilfældet, kan det komme på tale at tilføre insulin udefra Insulin blev anvendt på et menneske for første gang i 1922 Dengang såvel som i dag var insulinen i flydende form og selve indtagelsen skete ved injektion Op gennem det 20 århundrede er der sket markante forbedringer af det udstyr, der anvendes til injektion Fra at benytte sprøjter med store kanyler, som ikke var specielt behagelige, injiceres insulinen nu oftest ved brug af såkaldte penne, der er diskrete i brug og medfører meget lidt ubehag ved injektion, da nålene på pennene er meget mindre end kanylerne på de gamle sprøjter og løbende bliver gjort mindre og mindre Til trods herfor er der stadig diabetikere, der tøver med at starte i insulinbehandling, og konsekvensen er et dårligt reguleret blodsukker med alt, hvad det indebærer af risici (Hermansen et al 2004, 2) En af faktorerne forbundet med denne modvilje er angst for nåle, men også fornemmelsen af at blive stigmatiseret eller på anden måde føle ubehag, hvis det er nødvendigt at stikke sig selv i det offentlige rum, feks i sociale sammenhænge såsom til fester og lignende, spiller en rolle I lang tid har det eneste alternativ til injektion af insulin været kontinuerlig insulintilførsel, der administreres ved hjælp af en implanteret pumpe et relativt dyrt alternativ, der i Danmark kun tilbydes et fåtal af diabetikere; primært unge og personer med en aktiv livsstil Indenfor de seneste år er der imidlertid kommet endnu et alternativ til den injicerede insulin, nemlig inhaleret insulin, der indtages ved en dyb indånding fra en inhalator Inhaleret insulin kan erstatte den hurtigtvirkende insulin med samme effekt til følge I England har Pfizer netop lanceret deres bud på en insulin-inhalator, og inhaleret insulin er 9

11 også på markedet i bla USA og Tyskland Novo Nordisk A/S forventer at introducere en inhalator på bla det danske marked indenfor få år Inhaleret insulin er af teknologiske årsager dyrere end den traditionelle insulin I Europa ligger prisen for inhaleret insulin på ca 1000 kr om måneden for den gennemsnitlige diabetiker Modsat den gængse insulin er inhaleret insulin ikke tilskudsberettiget i noget europæisk land, hvorfor brug af inhalator må forventes at være forbundet med en betydelig større egenbetaling end brug af penne I Danmark ligger den gennemsnitlige egenbetaling for brug af insulin til injektion på ca 125 kr om måneden Før marts 2000, hvor de danske medicintilskudsregler blev ændret, var insulinen endog gratis (Thybo 2003) To udenlandske studier (Sadri et al 2005 og Prütz et al 2006) har vist, at diabetikere i Canada og Sverige er villige til at betale mere for inhaleret insulin end for den traditionelle insulin, og ved ens priser foretrækker langt over halvdelen at bruge inhalator frem for at skulle stikke sig selv Dette indikerer, at der er en større nytte forbundet med brug af inhalator i forhold til brug af pen Nytten synes at være størst for type 2 diabetikere, herunder især dem, der endnu ikke er i insulinbehandling Dette kan skyldes, at type 1 diabetikere ofte har været vant til at stikke sig selv igennem en årrække, hvorfor disnytten ved injektioner ikke er lige så stor hos denne gruppe som hos type 2 diabetikere, der som regel får stillet diagnosen sent i livet 02 Metode Udgangspunktet for undersøgelsen er et discrete choice experiment (herefter DCE) blandt danske diabetikere DCE er en indirekte værdisætningsmetode i familien af såkaldte stated preferences (SP) metoder, da der ikke spørges direkte til, hvad respondenterne er villige til at betale for en given godekombination Respondenten bedes derimod vælge imellem to eller flere alternative godekombinationer Ved at gentage valgsituationen for hver enkelt respondent et vist antal gange og hver gang justere godekombinationerne er det muligt at estimere respondenternes nytte og betalingsvilje for en given godekombination DCE har især vundet indpas i forbindelse med værdisætning af goder for hvilke, der ikke eller endnu ikke eksisterer et marked Valg af denne metode muliggør belysning af, hvilke egenskaber ved henholdsvis pen og inhalator, der synes afgørende for, at den ene behandling vælges frem for den anden Ved brug af en direkte SP værdisætningsmetode, dvs contingent valuation, havde det kun været muligt at estimere nytteværdien for behandlingsformerne som helhed, og altså ikke nytten ved deres respektive karakteristika Foruden DCE delen indsamles i undersøgelsen også en række socio-demografiske oplysninger, der især er fokuseret omkring respondenternes holdning til diabetes og insulinpræparater 10

12 Det er forventningen, at resultaterne fra den empiriske undersøgelse vil være af interesse for medicinalindustrien i relation til udvikling og markedsføring af insulinpræparater Dels vil undersøgelsen belyse, hvilke egenskaber ved insulinpræparater, som diabetikere ligger vægt på, og dels vil potentielle målgrupper blive karakteriseret Resultaterne kan ligeledes bidrage til en diskussion om, hvorvidt inhaleret insulin bør være tilskudsberettiget på lige fod med subkutan insulin Sadri et al (2005) antyder, at nytten ved inhaleret insulin er forbundet med en så stor nytteværdi for visse grupper af diabetikere, at tilskud til det relativt dyrere præparat vil resultere i en velfærdsøkonomisk nettogevinst Sadri et al opfordrer således til, at sundhedsmyndigheder inddrager denne høje nytteværdi i beslutningsgrundlaget for, hvorvidt inhaleret insulin skal være tilskudsberettiget frem for udelukkende at fokusere på omkostningerne 03 Problemformulering Det overordnede formål med denne specialeafhandling er at undersøge danske diabetikeres præferencer for udstyr til administration af insulin Mere specifikt estimeres diabetikernes værdisætning af henholdsvis insulinpen og -inhalator både den generelle værdisætning såvel som værdisætningen af de to produkters karakteristika Endvidere inddrages en række metodiske problemstillinger vedrørende usikkerhed i forbindelse med estimering af DCE Følgende problemformulering opstilles for specialeafhandlingen: Med udgangspunkt i et discrete choice experiment og under inddragelse af relevant teori undersøges danske diabetikeres præferencer for udstyr til administration af insulin, herunder: Betalingsvillighederne for inhaleret insulin samt insulin til injektion estimeres; både for diabetikere generelt og for undergrupper af diabetikere Karakteristika ved henholdsvis pen og inhalator af afgørende betydning for diabetikernes valg af behandlingsform undersøges Afslutningsvis belyses resultaternes indflydelse i et hypotetisk marked Betalingsvillighederne estimeres for gruppen af diabetikere generelt samt for undergrupper af diabetikere blandt andet for at undersøge, om mønsteret fra de nævnte svenske og canadiske studier gentages blandt danske diabetikere Foruden præsentation og fortolkning af resultaterne fra selve undersøgelsen anses det som værende væsentligt at beskrive og konkludere på gennemførelsen af undersøgelsen, herunder både på de metodemæssige valg, der er truffet undervejs, såvel som på selve processen 11

13 04 Afgrænsning Til estimering af DCE anvendes som udgangspunkt en conditional logit model Al estimering foregår ved hjælp af statistikprogrammet Stata 9 Udvælgelsen af optimalt eksperimentelt DCE design er dog foretaget ved brug af statistik- og databehandlingsprogrammet SAS Kun de vigtigste resultater af analyserne præsenteres i selve specialet, mens øvrig dokumentation er at finde i bilag Model-output og kode såvel som andet skriftligt materiale i forbindelse med specialeafhandlingen kan desuden findes på hjemmesiden: Her vil en pdf-version af specialeafhandlingen (inkl bilag) også kunne hentes De indsamlede data kan på ingen måde udtømmes indenfor rammerne af denne afhandling Det fulde paneldatasæt er omfangsrigt og rummer muligheder for analyse af adskillige interessante problemstillinger I forlængelse heraf skal det i relation til problemformuleringen præciseres, at undergrupper af diabetikere i nærværende sammenhæng primært refererer til diabetestype Om end data også muliggør undersøgelse af diabetikeres præferencer for insulinadministrationssystemer på tværs af køn, alder, indkomst mv 05 Disposition I afsnit 1 startes med en gennemgang af det forløb, der ledte frem til indgåelse af aftale med Novo Nordisk A/S om gennemførelse af en empirisk undersøgelse vedrørende diabetikeres præferencer for udstyr til administration af insulin Dernæst følger af hensyn til læsere uden forhåndskendskab til diabetes en kort gennemgang af diabetestyper og behandlingsformer Herefter gennemgås resultater fra tidligere studier af præferencer for insulinpræparater Med udgangspunkt i denne viden opstilles en række hypoteser med forventninger til betalingsvilligheder i nærværende undersøgelse Afsnit 2 beskriver det teoretiske fundament, som DCE bygger på, herunder forbindelsen mellem den neoklassiske økonomiske teori og værdisætningsmetoden i DCE Design og gennemførelse af DCE inddeles som regel i fem stadier: Identifikation af attributter, attributniveauer, eksperimentelt design, spørgeskema og dataindsamling samt dataanalyse De fire første stadier beskrives i afsnit 3 kombineret med en skildring af de tanker, der er gjort, og de anbefalinger, der er forsøgt overholdt i forbindelse med design af den empiriske undersøgelse Afsnit 4 beskriver modellering og estimering af DCE med udgangspunkt i en conditional logit model (det femte stadium i designprocessen) 12

14 I afsnit 5 præsenteres resultaterne fra undersøgelsen, herunder beskrivende statistik for stikprøven såvel som parameterestimater og betalingsvilligheder fra de estimerede discrete choice modeller I afsnit 6 diskuteres undersøgelsens resultater i større detalje, ligesom der reflekteres over såvel undersøgelsens gennemførelse som resultaternes anvendelighed Endelig opsummerer afsnit 7 de væsentligste resultater og aspekter af undersøgelsen i en konklusion Som nævnt er undersøgelsen gennemført med økonomisk og faglig bistand fra Novo Nordisk A/S Desuden har Muusmann Research & Consulting A/S bistået med praktisk og administrativ hjælp i forbindelse med gennemførelse af forundersøgelse Markedsanalyseinstituttet GfK har stået for udsendelse, indtastning og rykning i forbindelse med den endelige, postbaserede undersøgelse Samarbejdet har betydet, at forfatterne har kunnet overdrage ansvaret for en række praktiske opgaver til eksterne samarbejdspartnere, hvilket generelt har været en lettelse Inddragelse af eksterne samarbejdspartnere har dog tilført arbejdsprocessen en ny og mere uvant dimension, da det har været nødvendigt at bruge flere ressourcer end ellers på koordination og på at sikre et optimalt samarbejde parterne imellem Da der har været flere parter inde over undersøgelsen, er det også naturligt, at der er indgået en række kompromisser undervejs i forløbet Der redegøres for disse i forbindelse med beskrivelsen af forløbet i afsnit 1 (samarbejdet indtil forundersøgelsen) og afsnit 3 (samarbejde om gennemførelse af selve undersøgelsen), ligesom problemstillingen også tages op i afsnit 6 13

15 1 Baggrund Forfatterne har skrevet opgaver sammen lige siden starten på økonomistudiet ved Syddansk Universitet Efter at have skrevet og afleveret individuelle bachelorprojekter, var der enighed om, at det var muligt både at levere et bedre produkt og at få mere ud af selve opgaveskrivningsprocessen generelt ved at samarbejde Det er årsagen til, at forfatterne i slutningen af 2005 satte sig sammen for at blive enige om emnet for 2 dels seminar og speciale Der var enighed om, at det så vidt det var muligt, ville være optimalt at kombinere de to store, afsluttende opgaver således, at 2 dels seminaret kunne fungere som teknisk og teoretisk forstudie til en empirisk funderet specialeafhandling Diskussionen endte med valget af discrete choice experiments som det teoretiske og metodiske udgangspunkt for de to afsluttende opgaver Det har indtil videre resulteret i 2 dels seminaret Discrete Choice Experiments: Sammenligning af estimeringsmetoder i Stata (Hansen og Jacobsen 2006) og nu i denne specialeafhandling Målet i forbindelse med specialet var at finde en samarbejdspartner at udarbejde en empirisk DCE undersøgelse med Det havde naturligvis interesse at finde et interessant policy-emne at undersøge; men fokus var primært at få lov til at arbejde med DCE metoden Til alt held viste det sig, at det var muligt at få begge ønsker opfyldt En projektoplæg blev udarbejdet i starten af februar 2006 (se bilag A1) og rundsendt til potentielle samarbejdspartnere og kontaktformidlere, herunder Viden til Vækst 1 Den 27 februar 2006 blev der etableret kontakt med Novo Nordisk A/S (herefter: Novo) v/seniorøkonom Torsten L Christen Kontakten blev formidlet igennem lektor Per Andersen, Institut for virksomhedsledelse og økonomi, Syddansk Universitet 11 Samarbejde med Novo Nordisk A/S Novo s projektforslag om en afdækning af danske diabetikeres betalingsvillighed for inhaleret insulin viste sig hurtigt at være interessant, både policy-mæssigt og i relation til DCE Efter et kort indledende møde med Novo den 4 marts 2006 og efterfølgende diskussion med specialevejlederne blev det besluttet at arbejde videre med Novo s projekt Arbejdet mundede ud i underskrivelse af en samarbejdsaftale i forbindelse med opstartsmøde med Novo den 20 april 2006 Samarbejdsaftalen præciserer ansvarsfordeling mellem Novo og forfatterne Aftalen er gengivet i bilag A2, og de væsentligste dele af aftalen gengives her i punktform: 1 Viden til Vækst skaber kontakt mellem virksomheder og studerende ved Syddansk Universitet; primært i forbindelse med udarbejdelse af projekter Se 14

16 Det aftales at gennemføre en empirisk undersøgelse vedr danske diabetikeres præferencer og betalingsvilje for forskellige insulinbehandlingsformer, som skal danne baggrund for (denne) specialeafhandling Undersøgelsen designes som et DCE Forfatterne har ansvaret for design af undersøgelsen, under vejledning af vejlederne på specialet Specialeafhandlingen skal overholde de formelle krav for specialeafhandlinger ved Syddansk Universitet Forfatterne bevarer ophavsretten til specialeafhandlingen efter de sædvanlige regler Specialeafhandlingen er ikke i sig selv bundet af krav om fortrolighed Novo har rettighederne til de indsamlede data Eventuel publicering, udover denne specialeafhandling, sker efter nærmere aftale med Novo Novo dækker alle væsentlige udgifter i forbindelse med gennemførelse af undersøgelsen, herunder feks udgifter til dataindsamling (se detaljer i bilag A2) Samarbejdet med Novo blev etableret som beskrevet ovenfor Det videre forløb af samarbejdet og processen er beskrevet i afsnit 3 i sammenhæng med beskrivelse af forundersøgelse, design og dataindsamling Formålet her i afsnit 1 har blot været at opridse rammen for samarbejdet Som nævnt ovenfor samt i indledningen er policy-emnet i specialet endt med at være diabetikeres præferencer for udstyr til administration af insulin Forfatterne havde på forhånd ikke noget detaljeret kendskab til diabetes og insulinpræparater, så det forventes heller ikke, at det er tilfældet for den gennemsnitlige læser af specialeafhandlingen Derfor følger en kort gennemgang af de væsentligste forhold vedrørende netop diabetes og insulin, som samtidig er relevante for specialet 15

17 12 Policy-kontekst Diabetes (sukkersyge) er en kronisk sygdom, hvor blodets indhold af sukkerstoffer fra kosten er meget højere end hos ikke-diabetikere lang tid efter et måltid 2 I forbindelse med indtagelse af et måltid bliver kulhydraterne i maden nedbrudt til glukose (sukker), der går over i tarmen, og ved en stigende blodglukose frigøres hormonet insulin fra bugspytkirtlen Insulin er nødvendigt for, at glukose fra blodet kan komme ind i kroppens celler, hvor det bruges til forbrænding til energi eller oplagres Diabetikere producerer enten for lidt eller intet insulin, eller også virker insulinet ikke, som det skal Det er derfor nødvendigt at tage medicin eller foretage sig andet, der kan bringe blodglukosen ned, hvor den hos ikke-diabetikere vil være faldet til et normalt leje indenfor halvanden time efter et måltid En høj blodglukose gennem længere tid kan beskadige meget af kroppens væv, især øjne, nyrer, hjerte samt kredsløbet og nervesystemet 121 Diabetestyper Der findes to hovedtyper af diabetes: Type 1 diabetes og type 2 diabetes (også kaldet gammelmandssukkersyge eller aldersdiabetes) Nedenstående beskrivelse af de to diabetestyper tager primært udgangspunkt i informationsmateriale fra Diabetesforeningen i Danmark (Diabetesforeningen 2002; Diabetesforeningen 2004; Diabetesforeningen 2006) Type 1 diabetes Type 1 diabetes indtræder, når produktionen af insulin i bugspytkirtlen er mindre end pct af det normale Af årsager, der ikke er helt afklaret, dræber immunforsvaret de insulinproducerende celler i bugspytkirtlen Når kun en rest af insulinproduktionen er tilbage, udvikles type 1 diabetes Det er nødvendigt at være genetisk disponeret for type 1 diabetes for at få sygdommen, om end arveligheden fra forældre til børn er beskeden (højst 10 pct) Da diabetes er en forstyrrelse i immunforsvaret, mistænkes sprøjtemidler som værende årsagen til stigningen i antallet af diabetikere Ligeledes undersøges teorier om, at betændelsestilstande, infektioner og virus spiller en hovedrolle Forhold, der kan svække immunforsvaret, som feks chok eller psykiske belastninger, kan fremprovokere diabetes, men er altså ikke årsagen til den Symptomerne på diabetes er hyppig vandladning, udtalt tørst, hovedpine, kvalme med opkast, mavesmerter mv Således kan sygdommen ved debuten minde om en influenza Desuden kan der opstå bevidstløshed eller bevidsthedssløring 2 De fleste diabetikere føler sig ikke syge, hvorfor diabetes synes mere acceptabelt end sukkersyge til beskrivelse af deres tilstand 16

18 Mellem 600 og 800 danskere får hvert år konstateret type 1 diabetes, heraf er ca 180 børn På landsplan lever ca med sygdommen (wwwstenodk 2006b) Type 2 diabetes Type 2 diabetes er ikke forbundet med en fuldstændig ødelæggelse af de insulinproducerende celler Type 2 diabetikere producerer selv insulin, dog ikke i tilstrækkelige mængder, eller også virker insulinet ikke, som det skal Cellerne hos en type 2 diabetiker har nedsat insulinfølsomhed, dvs øget insulinresistens Overvægtige type 2 diabetikere har ofte en større insulinproduktion end normalvægtige, men grundet insulinresistens er behovet for insulin meget større Resultatet bliver forhøjet blodsukker med udskillelse af glukose i urinen Netop overvægt forårsaget af en usund livsstil med forkert kost og mangel på motion er den hyppigste årsag til type 2 diabetes, men også arv spiller en væsentlig rolle Modsat type 1 diabetes er type 2 diabetes meget arvelig; 40 pct fra forældre til børn De andre faktorer skal dog i reglen også være til stede, før sygdommen bryder ud En mere sjælden form for type 2 diabetes forekommer blandt normalvægtige Denne gruppe, der udgør ca pct af type 2 diabetikerne, har en insulinproduktion, men den er mindre end hos ikke-diabetikere Også denne form har en arvelig komponent For nærværende skelnes der dog ikke mellem de to former for type 2 diabetes, men udelukkende mellem hovedtyperne 1 og 2 Symptomerne på type 2 diabetes er ofte så svage, at de opfattes som alderdomstegn eller almindelig svækkelse Bla kan nævnes svampeinfektion i skridtet (da svampebakterier næres af udskilt sukker), træthed, tørst og hyppig vandladning, kramper og uro i benene samt skiftende syn i løbet af dagen Type 2 diabetes rammer oftest ældre mennesker (50+) og kaldes derfor lidt misvisende for aldersdiabetes eller gammelmandssukkersyge, selvom sygdommen er en følge af usund livsstil snarere end alderdom Type 2 diabetikere har ofte haft deres sygdom i flere år, når diagnosen stilles, og kan således allerede have pådraget sig nogle af de komplikationer, der følger i kølvandet på en ureguleret diabetes Her kan nævnes hjerte- og kredsløbssygdomme, diabetisk øjensygdom (retinopati), diabetisk nyresygdom (nefropati) samt diabetisk nervesygdom (neuropati) Desuden har type 2 diabetikere som regel også forhøjet blodtryk og kolesteroltal, hvilket i sig selv er lige så farligt som den forhøjede blodglukose Grundet overvægt skønnes ca pct af befolkningen at have insulinresistens, hvorfor der i de seneste år er blevet talt om en epidemi af nye tilfælde af type 2 diabetes Hvert år får danskere konstateret type 2 diabetes Det skønnes, at mellem og

19 danskere har type 2 diabetes Heraf er det dog kun halvdelen, der er diagnosticeret (wwwstenodk 2006c) 122 Behandling Type 2 diabetikere kan som udgangspunkt regulere deres diabetes gennem kost og motion (diet & exercise, D&E) I forbindelse med motionering, omsættes blodglukosen til energi, der skal bruges under motionen, ligesom et eventuelt medfølgende vægttab påvirker blodtryk, blodsukker og kolesterol positivt Det bliver dog oftest nødvendigt at supplere fornuftig kost og motion med tabletter, der hjælper med til at regulere blodsukkeret (orally administered drugs, OAD) Der findes forskellige typer af tabletter, der virker på hver deres måde Visse typer tabletter er feks med til at øge kroppens naturlige produktion af insulin, mens andre typer hjælper kroppen til bedre at udnytte dennes egenproduktion af insulin For mange type 2 diabetikere kan der med tiden blive behov for insulinbehandling for at regulere blodsukkeret tilfredsstillende Det vurderes, at ca halvdelen af type 2 diabetikerne har brug for insulin (Henriksen og Beck-Nielsen 2002) Insulinbehandling er påkrævet for type 1 diabetikere allerede fra diagnosetidspunktet De fleste type 1 diabetikere behøver minimum 4 injektioner i døgnet for at være velregulerede (Diabetesforeningen 2006, 18) Insulinpræparater De mest almindelige former for insulin er: (1) hurtigtvirkende insulin, der som regel injiceres i forbindelse med et måltid, (2) langsomtvirkende insulin, der injiceres inden sengetid samt (3) blandingsinsulin Der skelnes yderligere mellem humant insulin og insulinanaloger Førstnævnte er som navnet antyder fuldstændig identisk med insulin fra mennesker Insulinanaloger er moderne, modificerede udgaver af human insulin Disse nye insulinanaloger har egenskaber, der gør dem mere velegnede til behandling af diabetes, feks giver de en længere dækning (så der ikke skal stikkes så ofte) eller optages hurtigere (injektion kan foregå umiddelbart inden indtagelse af måltid og ikke nødvendigvis 30 minutter inden) Både human insulin og insulinanaloger fremstilles ved recombinant DNA teknologi I tidligere tider blev insulin udvundet fra bugspytkirtlen på slagtesvin (animalsk insulin) Danmarks store svineproduktion gjorde derfor landet ideelt for insulinproduktion 18

20 Som det vil fremgå i det følgende kan inhaleret insulin kun erstatte den hurtigtvirkende insulin, som indtages subkutant 3 Alligevel har vi i undersøgelsen valgt kun at spørge til respondenternes samlede daglige insulinforbrug (morgen, middag, aften og nat) for ikke at gøre spørgsmålene mere indviklede end højst nødvendigt Diabetikernes forbrug af forskellige typer af insulinpræparater undersøges altså ikke nærmere i nærværende undersøgelse Illustration 11 Novosprøjten, patenttegning 1926 Kilde: Biokemisk Forening, Insulinpenne Siden 1920 erne, hvor insulin første gang blev anvendt på et menneske, har insulin været flydende, og selve indtagelsen er sket ved injektion, dvs subkutant Op gennem det 20 århundrede er der sket markante forbedringer med det udstyr, der anvendes til injektion Fra sprøjter med store kanyler injiceres insulin nu oftest ved brug af såkaldte penne, der er diskrete og medfører mindre ubehag ved injektion, da nålene på pennene er meget mindre end kanylerne på de gamle sprøjter Og nålene bliver hele tiden gjort mindre og mindre Illustration 11 viser en af de første danskudviklede sprøjter, Novosprøjten, som blev patenteret af dennes opfinder Harald Pedersen i Der findes en del forskellige insulinpenne på markedet, men hvad angår funktioner og udseende minder de meget om hinanden Den typiske insulinpen er på størrelse med en tuschpen, dvs den er ca 15 cm lang og vejer mellem 20 og 50 gram Nålen, der skal udskiftes efter hver injektion, er tynd og har en længde på ca 8 mm Pennen er præfyldt med insulin til ca en uges forbrug, afhængigt af diabetikerens behandlingsbehov Farvekoder fortæller, hvilken insulintype pennen indeholder Herefter skiftes pennen eller blot beholderen med insulin, afhængig af om der er tale om en pen til engangs- eller flergangsbrug Pennen har et display, hvor antallet af insulinenheder kan indstilles i spring af én enhed Det er ikke muligt at 3 Subkutan betyder under huden I specialet benyttes betegnelsen subkutan insulin om insulin, der administreres ved brug af penne 4 Harald og broderen Thorvald begynder dog markedsføring af Novosprøjten allerede i 1925 gennem deres virksomhed Novo Terapeutisk Laboratorium Se Novo Nordisk (2002) for en oversigt over Novo Nordisk s historie, som startede i 1920 erne med de to konkurrerende virksomheder Nordisk Insulinlaboratorium og Novo Terapeutisk Laboratorium Først i 1989 fusioneres de to virksomheder, og Novo Nordisk er en realitet 19

21 indstille displayet til en større dosis end den mængde insulin, der er tilbage i pennen Endvidere vil et slutklik bekræfte, at injektionen er færdig Et eksempel på en moderne insulinpen kan ses i illustration 12 Udover ovenstående er en af de store fordele ved de moderne penne, at sprøjten ikke længere skal steriliseres før hver behandling I stedet udskiftes blot nålen/kanylen på pennen Illustration 12 NovoLog FlexPen Kilde: Novo Nordisk A/S, Torsten L Christensen Insulinpumpe Fra slutningen af 1970 erne har det også været muligt at administrere subkutan insulin med en insulinpumpe Pumpen, der er på størrelse med en pakke cigaretter, bæres udenpå kroppen, og et kateter sikrer insulininfusion hele døgnet efter behov Insulinpumpen er relativ bekostelig og tilbydes kun et fåtal af diabetikere, der opfylder visse kriterier Kun ca 3 pct af type 1 diabetikerne i Danmark bruger pumpe (Wognsen 2006), og ca 1 2 pct af diabetikerne generelt, hvor det i feks Norge og Sverige er ca 10 pct af type 1 diabetikerne, som er i pumpebehandling (Henriksen og Beck-Nielsen 2002) I DCE delen i nærværende undersøgelse ses der derfor bort fra pumpebehandling som et reelt alternativ til administration af insulin med pen eller inhalator Insulin-inhalator I de seneste år er der imidlertid kommet et alternativ til pennene, nemlig en håndholdt insulin inhalator 5 Inhaleret insulin kan erstatte den hurtigtvirkende insulin, der indtages ved brug af pen Inhaleret insulin har altså nøjagtig samme virkning som hurtigtvirkende, subkutan insulin Den inhalerede insulin indtages ved indånding fra en inhalator Insulinen optages i kroppen via det dybe lungevæv, hvorfor indtagelsen kræver koncentration og ikke mindst en god, dyb indånding En indbygget sikkerhedsfunktion i inhalatoren viser, om der inhaleres for meget eller for lidt insulin Kun hvis der inhaleres korrekt, frigives insulinen Netop fordi at insulinen optages via lungevævet, kan inhaleret insulin ikke anbefales til rygere og personer med rygerlunger Inhalatoren fylder ca 200 kubikcentimeter og vejer ca 200 gram, dvs størrelsesmæssigt er den lidt mindre end en pakke Kærgården smør Hertil kommer en pakke med strimler af insulin, som skal indsættes i inhalatoren, hvorefter apparatet omdanner insulinen til inhalerbar 5 Beskrivelsen tager udgangspunkt i Novo s bud på en inhalator, AERx 20

22 form Der er 10 enheder insulin i hver strimmel, og der kan kun indsættes én strimmel i inhalatoren ad gangen Skal der indtages mere end 10 enheder insulin pr behandling, er det således nødvendigt at skifte strimmel og inhalere ad flere omgange Inhalatoren har et display, hvor antallet af insulinenheder kan indstilles i spring af én enhed Efterfølgende guider displayet brugeren gennem indtagelsen Inhalatoren har indbygget en dagbogs-funktion, der registrerer og lagrer hvor meget insulin der indtages og hvornår Oplysningerne kan overføres til pc og præsenteres i et medfølgende software-program, og kan således bruges til egenkontrol eller aflæses af lægen ved de regelmæssige sundhedstjek Undersøgelser har vist, at inhaleret insulin er lige så effektivt til blodsukkerkontrol som subkutan insulin (Thipphawong et al 2002; Hermansen et al 2004) 6 Endvidere er der ikke fundet beviser på, at brug af inhaleret insulin fører til akutte eller kroniske luftvejsproblemer Mild, forbigående hoste kan forekomme i forbindelse med indtagelsen Denne bivirkning synes dog at aftage med tiden Inhaleret insulin er således et reelt alternativ til den hurtigtvirkende, subkutane insulin, og for diabetikere, der er angst for nåle eller på anden måde føler ubehag ved at skulle stikke sig selv, kan inhaleret insulin derfor forbedre livskvaliteten samt efterlevelsen af lægens forskrifter (Thipphawong et al 2002) Ubehag forbundet med injektioner har nemlig vist sig at være årsag til, at nogle type 2 diabetikere starter for sent i insulinbehandling (Prütz et al 2006) Inhaleret insulin er endnu ikke lanceret i Danmark, men Novo Nordisk A/S forventer at introducere produktet på det danske marked indenfor de kommende år I den forbindelse er det relevant at undersøge danske diabetikeres præferencer for inhaleret insulin, herunder også deres betalingsvillighed for præparatet Novo s inhalator er ikke illustreret i specialeafhandlingen, da denne endnu ikke er færdigudviklet Illustration af en prototype er dog gengivet i spørgeskemaet til undersøgelsen for at give respondenterne en idé om, hvordan inhalatoren fungerer (se bilag B3) 6 Artiklerne omhandler det såkaldte AERx Insulin Diabetes Management System, der er udviklet af Novo Nordisk A/S og Aradigm Corporation i fællesskab AERx idms er et registreret varemærke og patenteret af Novo Nordisk A/S 21

23 123 Priser og tilskudsregler Det er endnu uvist, hvad inhaleret insulin kommer til at koste i Danmark, men det bliver uden tvivl dyrere end subkutant insulin Dette skyldes dels, at der skal anvendes større doser ved brug af inhaleret insulin for at opnå samme effekt som ved brug af subkutan insulin 7, og dels, at det inhalerede system, dvs inhalator og tilbehør, er dyrere end udstyr til injektion Spørgsmålet er derfor, om nytten forbundet med inhalatorens egenskaber er så stor, at den gennemsnitlige diabetiker er villig til at betale en merpris for en effekt, som ellers ville kunne opnås billigere på anden vis; nemlig ved at injicere insulinen? I England har Pfizer for nyligt introduceret deres bud på en insulin-inhalator 8 De årlige udgifter til insulinbehandling med inhaleret insulin er i den forbindelse estimeret til ca 1102 for den gennemsnitlige diabetiker (NICE 2006) Dvs ca kr, eller lidt over 1000 kr pr måned Grundet referenceprisregulering er priserne i Europa næsten identiske, hvorfor det er forventeligt, at prisen på inhaleret insulin i Danmark også vil komme til at ligge i omegnen af 1000 kr pr måned (pers com Torsten Christensen, Novo) Inhaleret insulin er som udgangspunkt ikke tilskudsberettiget i noget europæisk land, eller også er præparatet forbundet med et stærkt klausuleret tilskud Dvs at diabetikeren skal opfylde en række krav, før tilskud kan komme på tale I Danmark og mange andre lande er subkutan insulin derimod tilskudsberettiget Før 1 marts 2000 havde insulin tilmed særstatus i medicintilskudsloven og var derfor 100 pct tilskudsberettiget (Thybo 2003) Diabetikere, der startede i insulinbehandling, mens insulin endnu var gratis, må således forventes at have en relativt lavere betalingsvillighed for insulinpræparater, idet de føler, at deres egenbetaling i forvejen er stor, da de har været vant til en egenbetaling på 0 kr Tidligere har tilskuddet udgjort en fast procentdel af medicinens pris, men under de nye medicintilskudsregler afhænger tilskuddets størrelse af, hvor meget tilskudsberettiget medicin den enkelte bruger om året Jo større forbrug, jo større tilskud; højeste sats er 85 pct Udgifter til sprøjter, kanyler og testmaterialer falder ind under lov om social service og dækkes 100 pct for insulinkrævende diabetikere En voksen diabetiker over 18 år vil typisk have udgifter til insulin på ca 1500 kr om året, eller 125 kr pr måned (Thybo 2003) Egenbetalingen for subkutan insulin er altså en del mindre end den forventede egenbetaling på inhaleret insulin 7 Dette skyldes, at insulinen optages relativt dårligere igennem lungerne, i forhold til ved injektion 8 Pfizers inhalerede insulin, Exubera, fik markedsføringsautorisation i EU i januar 2006 (Chancellor et al 2006) Pfizers inhalerede insulin er på pulverform (dry-powder), mens Novo s er flydende (aqueous) Netop fordi, at Novo s produkt er flydende, er der mindre irritation i øvre luftveje ved indtagelse og dermed reduceret risiko for bivirkninger i form af hoste i forhold til Pfizers Exubera 22

24 13 Lignende undersøgelser Som nævnt i indledningen er det overordnede formål med dette speciale at undersøge danske diabetikeres præferencer for udstyr til administration af insulin, herunder også deres betalingsvillighed for produkterne Der findes kun et beskedent antal undersøgelser med samme sigte; primært foranlediget af lanceringen af inhaleret insulin I det følgende opridses hovedresultaterne fra to af disse undersøgelser, inden hypoteserne i forbindelse med nærværende undersøgelse opstilles Den første undersøgelse er canadisk og estimerer betalingsvilligheden for inhaleret insulin med udgangspunkt i en closed-ended CVM (Sadri et al 2005) 9 Respondenterne tæller 77 type 2 og 19 type 1 diabetikere med en samlet gennemsnitsalder på 51,8 år Af disse foretrækker 85 inhaleret insulin frem for subkutan insulin Det er især respondenter, som ikke er i insulinbehandling, der foretrækker inhaleret insulin, ligesom betalingsvilligheden for inhaleret insulin hos denne gruppe er signifikant større end hos insulinbrugerne Den gennemsnitlige, månedlige betalingsvillighed for inhaleret insulin er markant højere end den typiske månedlige udgift til subkutan insulin (153,70 mod ca 50 canadiske dollars), hvilket beslutningstagere opfordres til at være opmærksomme på (sammen med omkostningerne ved produktet), når de tager stilling til, hvorvidt inhaleret insulin skal være tilskudsberettiget En multipel regressionsanalyse viser endvidere, at indkomsten er signifikant forbundet med betalingsvilligheden for inhaleret insulin Den anden undersøgelse stammer fra Sverige og studerer diabetikeres præferencer for inhaleret insulin, herunder også betalingsvilligheden (Prütz et al 2006) Udgangspunktet er et DCE blandt 40 type 1 og 117 type 2 diabetikere Gennemsnitsalderen er 40 henholdsvis 57 år for de to respektive grupper Undersøgelsens resultater minder meget om konklusionerne i den canadiske undersøgelse Ved ens priser (500 svenske kroner) foretrækker 85 pct af respondenterne inhaleret insulin frem for subkutan insulin Respondenterne er i gennemsnit villige til at betale ca 400 svenske kroner ekstra om måneden for inhaleret insulin i forhold til subkutan insulin Igen er betalingsvilligheden størst blandt de respondenter, der ikke er i insulinbehandling Type 2 diabetikere, der udelukkende regulerer deres diabetes med OAD, er således villige til at betale 667 svenske kroner ekstra om måneden for inhaleret insulin, mens det tilsvarende beløb for type 1 diabetikere er 219 svenske kroner 9 Mere specifikt er der tale om den såkaldte payment card- eller payment-scale metode, hvor respondenterne på en skala vælger (afkrydser) det beløb, der svarer til deres maksimale betalingsvillighed for et nærmere specificeret gode 23

25 Tabel 11 Merbetalingsvillighed for inhaleret insulin, ift subkutan insulin Undersøgelse Sadri et al 2005 Prütz et al 2006 Valuta CAD DKR a SEK DKR a Alle diabetikere Type 1 diabetikere Type 2 diabetikere Type 2 (ikke insulin) Type 2 (kun insulin) Type 2 (OAD og insulin) a: Omregningen til danske kroner er sket med udgangspunkt i Nationalbankens historiske valutakurser Den anvendte kurs er månedsgennemsnittet for den pågældende valutas spotkurs i den måned, hvor resultaterne blev offentliggjort Prisen i DKR for 100 enheder CAD er således 541,0705 (december 2005), mens prisen for 100 enheder SEK er 79,94428 (maj 2006) Tabel 11 sammenholder betalingsvillighederne for inhaleret insulin fra de to undersøgelser, omregnet til danske kroner Det bemærkes, at der er tale om betalingsvilligheden udover det, som i forvejen skal betales for subkutan insulin Tabellen viser, at type 1 diabetikere har en lavere betalingsvillighed for inhaleret insulin end type 2 diabetikere Blandt type 2 diabetikerne er det gruppen, der ikke er i insulinbehandling, som har den største betalingsvillighed Dette indikerer, at daglige injektioner ikke er så ubehagelige, som folk, der ikke har prøvet det, forventer Type 1 diabetikere har ofte været vant til at stikke sig selv fra barnsben, hvorfor de ikke tillægger inhaleret insulin en lige så stor nytteværdi som type 2 diabetikere, herunder i særdeleshed dem, der ikke er i insulinbehandling Type 1 diabetikere er dog stadig villige til at acceptere en større månedlig egenbetaling mod at kunne inhalere insulinen frem for at injicere den Som nævnt ovenfor foretrækker langt over halvdelen af diabetikerne, både type 1 og type 2, da også at anvende inhaleret insulin frem for subkutan insulin ved ens priser Det bemærkes, at betalingsvillighederne generelt er mindre i den svenske undersøgelse, end i den canadiske Dette kan skyldes, at det svenske medicintilskudssystem er mere gunstigt end det canadiske, hvorfor diabetikere i Sverige er vant til en mindre egenbetaling end deres canadiske skæbnefæller Men det kan også afspejle et af problemerne ved de direkte SP metoder; nemlig at respondenterne har det med at tilkendegive en hypotetisk betalingsvillighed, som er højere end den reelle betalingsvillighed, jf begyndelsen af afsnit 2 samt afsnit 351 I den canadiske undersøgelse er respondenterne netop spurgt direkte til deres betalingsvillighed (CVM), mens betalingsvilligheden hos de svenske respondenter er udledt indirekte (DCE) 14 Forventninger til undersøgelsen Med udgangspunkt i ovenstående opstilles i det følgende tre overordnede hypoteser, som nærværende undersøgelse skal be- eller afkræfte 24

26 I forbindelse med nærværende undersøgelse vil vi afdække følgende hypoteser: 1 Betalingsvilligheden er generelt større for behandling med inhaleret insulin end for behandling med subkutan insulin 2 Betalingsvilligheden for behandling med inhaleret insulin er større for type 2 diabetikere end for type 1 diabetikere 3 Betalingsvilligheden for behandling med inhaleret insulin er større for diabetikere, der ikke bruger insulin, end for diabetikere i insulinbehandling Baseret på blandt andet fokusgruppeinterviews i forbindelse med undersøgelsen (se afsnit 323) formodes det endvidere, at betalingsvilligheden for inhaleret insulin er større for kvinder end for mænd Dette skyldes, at de kvindelige fokusgruppemedlemmer i modsætning til de mandlige tilkendegav, at de var bekymret for og generet af ardannelse og blå mærker som følge af gentagne injektioner Endelig forventes, at betalingsvilligheden generelt vil være stigende med indkomsten Jo større indkomst, jo mindre fylder medicinudgifterne i det samlede husholdningsbudget 10 Til spørgsmålet om, hvorvidt danske diabetikere generelt ligesom de svenske og canadiske diabetikere er villige til at betale en merpris for behandling med inhaleret insulin i forhold til subkutan insulin (ad 1 ovenfor), hersker der derimod mere tvivl Ovenfor er der taget udgangspunkt i litteraturen (afsnit 13), dvs det antages at betalingsvilligheden generelt er størst for behandling med inhaleret insulin Men omvendt gælder det, at diabetikere i Danmark ofte får 85 pct tilskud til medicinudgifter og med kronikertilskud er dækningen 100 pct (afsnit 123) Således er danske diabetikere generelt ikke vant til en stor egenbetaling til diabetesrelateret medicin, og da insulin endda har været gratis før marts 2000, må den nuværende egenbetaling synes rigelig stor for mange Til trods for, at inhaleret insulin har mange hensigtsmæssige egenskaber, er vi altså meget usikre på hypotese 1: Måske er det i sidste ende de økonomiske hensyn, altså prisen, der vejer tungest i diabetikernes valg Forventninger til de valgte egenskabers (attributters) påvirkning af den samlede betalingsvilje, dvs om egenskaberne er forbundet med nytte eller disnytte, er beskrevet i afsnit 324 i forbindelse med præsentation af attributterne Først følger dog i hovedafsnit 2 en beskrivelse af de økonomiske teorier, der ligger til grund for DCE metoden og sammenhængen mellem teori og metode 10 Reelt måles betalingsvilligheden på forskellige skalaer grundet forskellige indkomster respondenterne imellem - en problemstilling, der dog holdes udenfor denne specialeafhandling 25

27 2 Teori Der findes to overordnede metoder til værdisætning af goder: stated preferences (SP) og revealed preferences (RP) I SP metoderne tager værdisætningen udgangspunkt i respondenternes erklærede betalingsvillighed Omvendt afdækker RP metoderne respondenternes præferencer ved at se på, hvilke valg de træffer i forskellige sammenhænge SP metoderne er således baseret på informationer om, hvad respondenterne siger, at de vil gøre i en given situation, frem for observering af faktisk adfærd (i praksis ved udledning af efterspørgselsligninger) Dette har tidligere givet anledning til skepsis hos økonomer, der historisk har anvendt markedsdata til værdisætning af goder Imidlertid findes der mange situationer, hvor der ikke er anden mulighed end at stole på respondenternes ord Der kan være tale om et hypotetisk gode, eller måske er der behov for at estimere den totale økonomiske værdi, dvs brugsværdien inklusive non-use- og option value 11, som tilfældet ofte er i cost-benefit analyser Da RP metoderne udelukkende anvender markedsdata, er det ofte kun brugsværdien, der kan estimeres I dag diskuteres det da heller ikke så meget, om SP data kan eller bør anvendes, men snarere, hvorvidt de estimerede SP modeller giver valide og pålidelige resultater i forhold til rigtig markedsadfærd (Louviere et al 2000, 21) Inhaleret insulin er et privat gode, hvorfor kun brugsværdien er af interesse og altså ikke non-use og option value Inhaleret insulin er imidlertid endnu ikke på markedet i Danmark, hvorfor der reelt er tale om et hypotetisk gode, set fra respondenternes synspunkt Nogle respondenter hører måske først om det nye præparat, når de modtager spørgeskemaet Således er udgangspunktet for nærværende undersøgelse af diabetikeres præferencer for udstyr til administration af insulin en SP metode RP såvel som SP metoderne indeholder hver især to mulige tilgange til værdisætning af ikkemarkedsomsatte goder: Travel cost metoden og hedonic pricing henholdsvis contingent valuation og choice experiments Fordele og ulemper ved metoderne beskrives kort i det følgende, hvorefter fokus rettes mod den valgte metode: Et discrete choice experiment Travel cost metoden er traditionelt blevet anvendt til værdisætning af rekreative områder Metoden anerkender, at besøgende, udover et eventuelt adgangsgebyr til det pågældende område, også har omkostninger i forbindelse med ud- og hjemrejse, herunder bla udgifter 11 Om nogle goder gælder, at selv om et individ ikke bruger det pågældende gode, så vil han gerne betale for at bevare muligheden for at anvende det i fremtiden (option value) Det er også muligt, at individet tillægger et gode, som han ikke direkte bruger, en værdi af altruistiske årsager Det vil sige, at vedkommende er villig til at betale for, at de øvrige individer eller fremtidige generationer kan bruge godet Endelig kan det også være af værdi i sig selv at vide, at godet eksisterer 26

28 til transport samt alternativomkostningen ved rejsetiden De besøgende har forskellige rejseomkostninger afhængig af afstanden til området Forskellene i de totale omkostninger samt de resulterende forskelle i antallet af besøg danner hermed grundlag for estimering af en efterspørgselskurve for stedet Hedonic pricing eller hedonic regression indebærer opstilling af en hedonisk eller implicit prisfunktion Feks kan prisen på et hus udtrykkes som en funktion af husets beliggenhed og størrelse, dvs feks P = f(beliggenhed, størrelse) En ændring i prisen på et hus som følge af en marginal ændring i en af attributterne kaldes den hedoniske eller implicitte pris Den hedoniske pris på en attribut kan således tolkes som husholdningers villighed til at betale for en marginal ændring i attributten Mens travel cost metoden kun kan måle brugsværdien af et gode, muliggør den hedoniske prissætningsmetode således estimering af både brugsværdi og option value Det er dog kun contingent valuation metoderne (CVM) eller choice experiments, der kan måle den totale økonomiske værdi af et gode i velfærdsøkonomisk øjemed, dvs brugsværdien tillagt option value og ikke-brugsværdien CVM måler værdien af et gode holistisk, dvs respondenterne spørges direkte om deres betalingsvillighed for det pågældende gode Dette kan gøres på flere forskellige måder I de open-ended CVM skal respondenten feks tilkendegive hans eller hendes maksimale betalingsvillighed for det pågældende gode, uden at nogle beløb er nævnt på forhånd I de closed-ended CVM konfronteres respondenten med et beløb, der enten kan accepteres eller afvises Uanset tilgangen er det respondenternes betalingsvillighed for godet som helhed, der måles CVM kommer således til kort, hvad angår værdisætning af de forskellige karakteristika ved godet Heri ligger den væsentligste forskel mellem CVM og DCE DCE estimerer værdien af de enkelte attributter, der sammenlagt udgør godets totale værdi Dette er en af de største forcer ved DCE metoden og den væsentligste årsag til, at der i nærværende sammenhæng anvendes et DCE til undersøgelse af diabetikeres præferencer for udstyr til administration af insulin Metoden muliggør ikke blot udledning af betalingsvilligheden for insulinadministrationssystemet under ét, men også en værdisætning af dets respektive egenskaber Det skal bemærkes, at gruppen af choice experiments udover DCE også tæller contingent ranking og contingent rating Førstnævnte indebærer rangering af alternativerne fra den mest til den mindst foretrukne, mens sidstnævnte indplacerer alternativerne på en skala, hvor feks 1 er det dårligste og 10 det bedste Af de tre valgeksperimenter er DCE den mindst krævende for respondenterne, da der ikke skal ret mange alternativer til, førend ranking- og rating- 27

29 øvelserne synes uoverskuelige og selv om respondenterne har svaret på spørgsmålene, kan validiteten af deres svar betvivles 21 Discrete choice experiments DCE er en præferencebaseret værdisætningsmetode Mere konkret indebærer DCE, at respondenterne foretager en sekvens af hypotetiske valg mellem to eller flere alternativer (scenarier), hvorom det gælder, at (Train 2003, 15): 1 antallet af alternativer i valgsættet er endeligt, 2 alternativerne er gensidigt udelukkende og 3 valgsættet med alternativer er udtømmende, dvs at alle mulige alternativer er inkluderet Alternativerne adskiller sig på en række karakteristika kaldet attributter Variationen i alternativerne opnås ved at tildele attributterne forskellige niveauer efter en systematisk proces kaldet eksperimentelt design Hver gang et niveau ændres, opstår et nyt alternativ DCE afdækker herved respondenternes underliggende nyttefunktion, som indeholder information om, hvilke egenskaber ved det pågældende alternativ, respondenten lægger vægt på Frem for at betragte det pågældende alternativ som et hele, er det altså derimod præferencerne for de enkelte attributter, der er i fokus Således muliggør DCE blandt andet estimering af marginale substitutionsrater Dvs at det er muligt at estimere, hvor meget respondenten skal have mere af et element ved et gode for at opgive én enhed af et andet element Beskrives alternativet også ved en prisattribut, kan der endvidere udledes betalingsvilligheder for de enkelte karakteristika DCE designet, herunder valg af attributter, attributniveauer og eksperimentelt design, beskrives i detaljer i afsnit 3 22 Det teoretiske fundament Det teoretiske fundament for DCE er en kombination af random utility theory (RUT), Lancaster s økonomiske teori om et godes værdi samt neoklassisk økonomisk teori I DCE antages respondenternes valg mellem goder (alternativer) at tage udgangspunkt i en indirekte nyttefunktion, hvor nytten af et gode er en funktion af godets karakteristika I Lancaster s nu klassiske arbejde fra 1966 (Lancaster 1966) er omdrejningspunktet netop, at det er et godes objektive karakteristika, der giver godet værdi, og altså ikke godet i sig selv Godets totale værdi er således summen af værdierne af de enkelte attributter 28

30 221 Neoklassisk økonomisk teori Den neoklassiske teori bygger på en række axiomer (grundlæggende læresætninger), der er nødvendige for opstillingen af en nyttefunktion, hvor præferencerne udtrykkes kvantitativt, dvs på en numerisk skala Axiomerne kan inddeles i to grupper vedrørende henholdsvis forbrugerpræferencer samt well-behaved indifferenskurver Axiomerne i førstnævnte gruppe sikrer, at respondenterne er rationelle og har komplette, veldefinerede og stabile/konsistente præferencer (Varian 1999, 35) 12 : Komplethed: For ethvert bundt af x- og y-goder gælder, at (x 1, x 2 ) (y 1, y 2 ), at (x 1, x 2 ) (y 1, y 2 ), eller at (x 1, x 2 ) ~ (y 1, y 2 ) Sidstnævnte indikerer indifferens mellem de to godebundter Antagelsen indebærer, at alle godebundter kan rangordnes Refleksivitet: Ethvert godebundt er mindst lige så godt som et tilsvarende godebundt indeholdende det samme (x 1, x 2 ) (x 1, x 2 ) Denne antagelse er triviel, om end matematisk nødvendig Transitivitet: Hvis (x 1, x 2 ) (y 1, y 2 ) og (y 1, y 2 ) (z 1, z 2 ), så må (x 1, x 2 ) (z 1, z 2 ) Når respondenterne skal vælge mellem alternativer, som de ikke har noget umiddelbart forhåndskendskab til (feks inhaleret insulin), kan det første og sidste axiom være svært at opfylde i praksis Antagelserne er dog nødvendige, idet nyttefunktionen kun kan repræsentere rationelle præferencer Axiomerne vedrørende well-behaved indifferenskurver er givet på følgende måde (Varian 1999, 45 48): Monotone præferencer: Mere foretrækkes frem for mindre indtil et vist mæthedspunkt i hvert fald, når der er tale om et gode og ikke et onde, hvorfor det er nødvendigt at undersøge situationen før dette punkt er nået Følgelig bliver hældningen på indifferenskurven negativ, hvilket igen har implikationer i forbindelse med nyttemaksimering Streng konveksitet: Indifferenskurven er strengt konveks, hvilket indebærer, at det vægtede gennemsnit af to gennemsnitlige godebundter er strengt at foretrække frem for to ekstreme/specialiserede godebundter Endvidere medfører den strenge konveksitet en aftagende marginal substitutionsrate 12 Hvis respondenternes præferencer ikke er komplette og stabile/konsistente, er de formet under besvarelsen af valgsættene, hvilket indikerer, at respondenterne har anvendt heuristik og ladet sig påvirke af konteksten 29

31 For at udelukke dominante præferencer og sikre, at der kan beregnes marginale substitutionsrater mellem attributterne (foretages trade-off), antages endvidere en kontinuert indifferenskurve Leksikografiske præferencer kan godt være rationelle, men de kan ikke beskrives ved en lineær nyttefunktion For at kunne beregne marginale substitutionsrater er leksikografiske præferencer derfor nødt til at blive udelukket fra analysen Kun individerne kender deres sande præferencer, hvorfor der er et element af usikkerhed forbundet med estimering af nyttefunktionen Analytikeren kan ikke være sikker på at have identificeret alle attributter, der ligger til grund for respondenternes valg Netop her kommer RUT ind i billedet RUT opstiller en teoretisk ramme for undersøgelse af menneskelig adfærd, herunder også forklaring af valgadfærd (Louviere et al ) I overensstemmelse med neoklassisk økonomisk teori antager RUT, at respondenterne er rationelle, nyttemaksimerende individer, der er i stand til at foretage konsistente valg Således vil respondenterne foretage de samme valg i identiske situationer Analytikeren kan hermed beregne sandsynligheder for respondenternes valg, der gør det muligt at opstille en probabilistic nyttefunktion Selvom nyttefunktionen er deterministisk fra respondenternes synspunkt, er det samme altså ikke tilfældet for analytikeren, idet denne ikke kan observere respondentens sande nyttefunktion 222 Nyttefunktionen Nytten, U iq, for det i te alternativ for det q te individ kan udtrykkes som følgende 13 : [2-1] U iq = V iq + ε iq (Louviere et al 2000, 38) Den indirekte nyttefunktion består af to dele V iq er en systematisk nyttekomponent, der afhænger af faktorer, der er observerbare for analytikeren, og som antages at være fælles for alle individer Derimod udtrykker ε iq individspecifikke faktorer, der ikke kan observeres af analytikeren, dvs ε iq kan opfattes som et fejlled eller en stokastisk parameter Netop fordi, at analytikeren ikke kender alle faktorer, der ligger til grund for individets valg, anvendes begrebet random utility (Louviere et al 2000, 39) Der kan identificeres fire årsager til elementet af tilfældighed ved estimering af nyttefunktionen (Ben-Akiva og Lerman 1985, 58): (1) målefejl og uperfekt information, (2) brug af instrumentelle variable, (3) uobserverede attributter samt (4) heterogenitet i præferencer 13 I det følgende bruges altid betegnelsen q for individet og betegnelserne i eller j om alternativerne 30

32 I tilfælde af to alternativer, i og j, kan sandsynligheden for, at individ q vælger alternativ i, beskrives ved følgende sammenhæng (Louviere et al 2000, 40): [2-2] P P( U > U ) P = P[ { ( s, x ) ε ( s, x )} < { V ( s, x ) V ( s, x )}] for alle j i iq = iq jq iq j i i j ε, hvor s er de observerede attributter og x er det aktuelle alternativ 14 [2-2] viser, at sandsynligheden for, at alternativ i vælges frem for alternativ j, er givet ved sandsynligheden for, at forskellen mellem fejlleddene er mindre end forskellen mellem den observerbare del af nyttefunktionen Heraf følger endvidere, at jo større sandsynligheden er for at vælge et alternativ, jo større er forskellen i observeret nytte Det er netop forskellen i nytte, der er relevant Det absolutte nytteniveau er for så vidt irrelevant for både respondentens opførsel og analytikerens model (Train 2003, 23) Idet sandsynlighed defineres på en kardinalskala, gør det samme sig gældende for nytteværdierne Det er antagelserne vedrørende den stokastiske variabel { s, x ) ε ( s, x )} ( j i ε, der er bestemmende for valg af metode til estimering af nytteforskellen mellem de to alternativer Ofte skelnes mellem den logistiske fordeling og normalfordelingen med de tilsvarende økonometriske modeller logit og probit (Bech et al 2004, 52) Estimering af nyttefunktionen diskuteres i afsnit 4 For at kunne udtrykke respondentens nytte i et enkelt tal standardiseres alle værdier indenfor hver attribut til et gennemsnit på nul og en standardafvigelse på en (i logit), hvorefter attributterne tildeles vægte Vægtene kan bruges til at udlede en linearkombination, der omdanner den flerdimensionale attributvektor til et uni-dimensionalt generelt nytteudtryk (Louviere et al 2000, 42) Modeller, der baseres på denne tilgang, kaldes compensatory models, hvoraf the main-effects additive utility model er særdeles udbredt 15 Idet V j opfattes som en betinget, indirekte nyttefunktion og under antagelse af lineær additivitet, kan den observerede nytte for det j te alternativ udtrykkes som: [2-3] Vj = β1jf1(s1j) + L + βkjf k (s kj) Vj = βs j, (Louviere et al 2000, 42) hvor s j = (s 1, s 2,, s k ) er vektoren af det j te alternativs attributter Vægtene, β = (β 1, β 2,, β k ), viser den betydning, der tillægges værdierne på hver attribut Summeres vægtene opnås et generelt nyttemål, hvilket implicerer, at nytten ved et alternativ er den samme som summen af de respektive nytter ved alternativets karakteristika (attributter) I DCE er det praksis at antage 14 I DCE litteraturen bruges bogstavet x ofte om alternativets attributter I specialet er dog valgt en notation, der tager udgangspunkt i notationen hos Louviere et al (2000), hvor x som nævnt angiver det aktuelle alternativ 15 En main effect defineres som forskellen mellem gennemsnittene for hvert niveau af en attribut og det generelle gennemsnit (grand mean), således at forskellene summer til nul (Louviere et al 2000, 86) Dette implicerer, at en af forskellene er præcist defineret, når de resterende L 1 forskelle er beregnet for en attribut med L niveauer 31

33 en nyttefunktion, der er lineær i parametre og forklarende variable, om end antagelsen om lineær additivitet kan erstattes af mere komplekse ikke-lineære funktionelle former I nærværende undersøgelse synes antagelsen om en lineær nyttefunktion dog rimelig Det kan diskuteres, hvorvidt priseffekten er lineær, da denne kan forventes at stige i takt med, at godet bliver dyrere og dyrere, og vice versa I nærværende sammenhæng, kan der dog argumenteres for, at udgifter til insulin tager så lidt af respondenternes indkomst, at prisen er lineær i dette område 23 Alternativspecifikke konstanter For et givent alternativ j er det muligt at sætte en af attributterne, feks s j1q, lig 1 for alle q I dette tilfælde fortolkes nytteparameteren β j1 som en alternativspecifik konstant for alternativ j (Louviere et al 2000, 49) Sådanne konstanter kan dog ikke specificeres for alle V j, idet målene i så fald vil være perfekt korrelerede, hvilket gør det umuligt at opnå parameterestimater Der kan således højst være J-1 alternativspecifikke konstanter i den pågældende model Den alternativspecifikke konstant for et alternativ fanger den gennemsnitlige effekt på nytten forårsaget af alle faktorer, der ikke er inkluderet i modellen Således tjener konstanten samme formål som konstantleddet i en regressionsmodel, der også fanger den gennemsnitlige effekt af alle ikke-inkluderede faktorer Når alternativspecifikke konstanter inkluderes i modellen, vil gennemsnittet for den uobserverede nytteandel, ε jq, være nul Derfor kan det være hensigtsmæssigt at inkludere en konstant i V j for hvert alternativ (Train 2003, 24) 24 Interaktionsvariable En interaktion mellem to attributter opstår, når præferencerne for en attributs niveauer afhænger af niveauerne på en anden (Louviere et al 2000, 87) Det er muligt at inkludere interaktionsvariable i nyttefunktionen Enten i form af interaktioner mellem to attributvariable, eller interaktioner med ekstra variable, herunder ikke mindst individspecifikke variable Indeholder modellen individspecifikke variable, er det muligt at forklare noget af heterogeniteten i individers præferencer, ligesom det er muligt at analysere undergrupper af populationen (sub-group analysis) Ved inklusion af interaktioner, z, bliver individ q s observerede nytte for alternativ j følgende: [2-4] Vj = β s j + β zq, hvor z q = (z 1, z 2,, z k ) betegner vektoren af interaktioner Idet individspecifikke karakteristika er ens for alle alternativer, kan de kun indgå i modellen, hvis de specificeres på en 32

34 måde, der skaber forskel i nytte på tværs af alternativer (Train 2003, 25) Således ganges de med den attributvariabel, som de forventes at påvirke Inkludering af interaktioner øger databehovet, dvs antallet af observationer, ligesom der skal tages højde for interaktioner mellem attributter i det eksperimentelle design samt interaktioner generelt ved beregning af marginale substitutionsrater (MRS) og willingness-to-pay (WTP) (se efterfølgende afsnit 25) Nærværende undersøgelse tager dog udgangspunkt i et eksperimentelt design, der antager, at interaktionerne mellem attributterne generelt er insignifikante, se afsnit Marginale substitutionsrater For at bestemme attributternes relative vigtighed, dvs trade-off mellem attributterne, beregnes MRS MRS estimeres som forholdet mellem attributternes vægte (koefficienter) Såfremt at en af attributterne er målt i en monetær enhed, indikerer MRS betalingsvilligheden for en ændring i den kvalitative attribut, dvs marginal willingness-to-pay (MWTP) Idet den indirekte nyttefunktion opfattes som en funktion af en prisattribut, p, samt en vektor af øvrige attributter, t, kan følgende sammenhæng opstilles: [2-5] V(p, t) = λp + βt (Bech et al 2004, 52) Parameteren λ angiver den vægt, som prisattributten tillægges, mens β er en vektor for de vægte, der forbindes med de øvrige attributter i nyttefunktionen Ved en total differentiering opnås et estimat for MRS Idet nytten holdes konstant fås følgende 16 : [2-6] dv = λdp + βdt = 0, hvorefter MRS mellem pris og de øvrige attributter er givet som: [2-7] dp β MRS pt = = dt λ I dette tilfælde udtrykker MRS, hvad respondenterne er parate til at betale for en reduktion eller forøgelse i de øvrige attributter, men MRS mellem andre karakteristika kan ligeledes beregnes Det bemærkes, at MRS er et negativt mål Dette skyldes antagelserne om monotone præferencer og streng konveksitet, men rent intuitivt giver det også mening: Villigheden til at substituere gode A med gode B falder i takt med, at der erhverves mere af gode B, og der således er mindre af gode A til disposition 16 Det er en forudsætning, at nyttefunktionen har lineære parameterspecifikationer 33

35 Konfidensinterval for MRS og WTP For at få en vurdering af usikkerheden forbundet med et givent estimat, opstilles ofte et konfidensinterval for estimatet I den forbindelse er det som bekendt nødvendigt at beregne estimatets standardfejl MRS og WTP er baseret på forholdet mellem to estimerede koefficienter, hvorfor specificering af målenes standardfejl er relativt kompliceret En mulig løsning er at anvende deltametoden baseret på den lineære Taylor series approach (Greene 2003, 70) MRS pt defineres i det følgende som µ, for at understrege, at der her er tale om et WTP estimat Den asymptotiske varians på µ = - β/λ bliver i dette tilfælde: [2-8] 2 β 1 β β var σ ββ + σ λλ 2 σ βλ, (Hanemann og Kanninen 1998, 27) 2 λ λ λ λ hvor σ ββ og σ λλ angiver varianserne for henholdsvis β og λ, mens σ βλ angiver kovariansen Brug af deltametoden til udledning af standardfejl på WTP er udbredt, men da der er tale om en asymptotisk approksimation, er [2-8] ikke pålidelig i tilfælde af små stikprøver Desuden giver formlen symmetriske konfidensintervaller for µˆ (eller andre kvartiler af WTP fordelingen), hvilket ikke altid er hensigtsmæssigt Dette er ikke tilfældet for andre metoder til estimering af usikkerheden på MRS og WTP: Krinsky-Robb metoden (Krinsky og Robb 1986), bootstrapping, jackknife samt Fiellers metode Krinsky-Robb metoden simulerer den asymptotiske fordeling af koefficienterne ved gentagne gange at trække tilfældige koefficienter fra den multivariate normalfordeling af maximum likelihood koefficienterne 17 og en varians-kovariansmatrice Disse bruges til at danne en empirisk fordeling for velfærdsmålet ud fra hvilken, der kan opstilles et konfidensinterval Bootstrapping indebærer dannelse af et antal simulerede datasæt, der hver formes ved at trække N gange med tilbagelægning fra de faktiske data Jackknife-proceduren danner N simulerede datasæt - hver frembragt ved at droppe én observation fra de faktiske data Givet N simulerede datasæt for de forklarende variable bruger begge metoder de faktiske maximum likelihood estimater til at generere et sæt af N quantal responses (Hanemann og Kanninen 1998, 28) Herefter anvendes maximum likelihood estimering på de simulerede data for at opnå et nyt sæt af koefficienter ud fra hvilket, velfærdsmålet beregnes Dette gentages for 17 Maximum likelihood estimering diskuteres i afsnit

36 mange simulerede datasæt med henblik på, at danne en empirisk fordeling ud fra hvilken, der kan opstilles et konfidensinterval Den sidste metode til beregning af konfidensintervaller for MRS og WTP, som nævnes her, er baseret på Fiellers teorem om ratioer for normalfordelte tilfældige variable I forhold til ovennævnte metoder er Fiellers tilgang dog blevet relativt negligeret i CV litteraturen (Hanemann og Kanninen 1998, 28) Fiellers teorem genererer følgende 100(1-γ) pct konfidensinterval for µ = - β/λ, ci γ (µ) (Hanemann og Kanninen 1998, 28): [2-9] β σ βλ ± zγ / 2 β β σ βλ ci γ ( µ ) = g σ ββ 2σ βλ + σ λλ g σ ββ 1, g λ σ λλ λ λ λ σ λλ hvor / 2 2 z γ 2 σ λλ 2 z γ er det øvre γ/2 punkt på standardnormalfordelingen, og g ( ) / / λ Også her bruges maximum likelihood estimater og varians-kovarians udtryk til at konstruere konfidensintervallet Jo mere λ er signifikant forskellig fra nul, jo mindre er g Når g er nul, vil konfidensintervallet for µˆ genereret ved Fiellers metode være nøjagtig den samme som konfidensintervallet opstillet med udgangspunkt i deltametoden (den asymptotiske varians) Når g er lille, feks mindre end 0,05, vil de to metoder således frembringe meget ens konfidensintervaller Omvendt vil forskellen mellem de to metoder blive større, når g stiger, og Fieller-metodens konfidensinterval bliver mere og mere asymmetrisk Når datasættet er tilstrækkeligt stort og af god kvalitet, vil de belyste metoder generelt producere nogenlunde ens konfidensintervaller Dette understøttes også af tidligere undersøgelser fra forfatternes side (Hansen og Jacobsen 2006, 42 43) Den relativt simple deltametode vil i disse tilfælde være lige så anvendelig som de mere komplicerede estimeringsmetoder I resultatafsnittet (afsnit 5) præsenteres derfor udelukkende de simple konfidensinterval-estimater, baseret på deltametoden 26 Velfærdsmål En af styrkerne ved DCE er muligheden for at udføre analyser, der estimerer ændringer i velfærden (nytten) forbundet med en given policy eller et givent tiltag (ændring af attributternes niveauer) Dette forudsætter, at valgsættet indeholder en prisattribut Beregning af den marginale betalingsvillighed er defineret i [2-7] Denne kan fortolkes som den monetære nytteværdi, som individet tillægger en kvalitets- eller kvantitetsændring i det aktuelle gode Betalingsvilligheden er altså et velfærdsmål og udgangspunktet for præferencevurderingerne i nærværende undersøgelse 35

37 I DCE skelnes der mellem to tilgange ved beregning af velfærdsmål: 1 The state of the world approach anvendes, når et givent alternativ, vil blive anvendt med sikkerhed Dette er tilfældet når: a der er tale om et offentligt gode, b når et nyt gode introduceres på et marked, hvor der ikke findes andre alternativer til godet eller c når et eksisterende gode (status quo alternativet) erstattes af et andet gode Det bemærkes, at betalingsvilligheden, dvs WTP, kun er et velfærdsmål, når det pågældende gode er det eneste alternativ, altså falder ind under state of the world tilgangen 2 The multiple alternative approach anvendes derimod, når der er usikkerhed forbundet med brugen af det nye alternativ forstået på den måde, at kun en del af forbrugerne vil vælge det nye alternativ Dette er tilfældet, når alternativerne ikke er gensidigt udelukkende, dvs forbrugerne kan vælge et substituerende alternativ eller helt undlade at vælge noget som helst Private goder hører således ind under sidstnævnte tilgang multiple alternatives og det gør udstyr til administration af insulin dermed også Således er det denne tilgang, der skal anlægges ved en beregning af velfærdsændringen som følge af en kvalitetsforbedring i insulinudstyret (afsnit 58) Selve fremgangsmåden i forbindelse med dette gennemgås i det følgende Først skal de to former for monetære velfærdsmål dog præsenteres 261 Marshall og Hicks definitioner Generelt tages der udgangspunkt i to former for monetære velfærdsmål: Marshalls efterspørgselskurve er udgangspunktet for beregning af den såkaldte ordinære konsumentrente, mens Hicks velfærdsmål er en teoretisk videreudvikling af Marshalls velfærdsmål (Freeman 2003, 49) Marshalls definition af velfærdsmålet er som sagt baseret på ordinære efterspørgselskurver, dvs konsumentrentearealer beregnet som arealet under efterspørgselskurven, men over den horisontale prislinie Marshall definerer konsumentrenten som den merpris, individet er villig til at betale frem for at gå tomhændet, i forhold til den pris, individet rent faktisk betaler (Freeman 2003, 49) Marshalls velfærdsmål er altså relativt let at beregne og kan derfor virke mere tiltalende end Hicks velfærdsmål, der som det vil fremgå i det følgende stiller store informationskrav I princippet er konsumentrenten dog ikke en valid velfærdsindikator, hvorfor anvendelsen af Marshalls velfærdsmål er problematisk Marshall antog i sin fremstilling, at grænsenytten af indkomst er konstant eller approksimativt konstant, hvilket ikke er legitimt, idet grænsenytten 36

38 af indkomst for en given repræsentation af nyttefunktionen afhænger af priser og indkomst (Andersen et al 1999, 327) Endvidere er konsumentrenten et objektivt velfærdsmål, som ikke kan bruges, hvis det ønskes at inkorporere begreber som lighed og efficiens i analysen Hicks velfærdsmål baseres derimod på krævet kompensation samt villighed til at yde kompensation i forbindelse med forskellige tiltag, hvilket muliggør en belysning af paretokriteriet 18 Endelig skal bemærkes, at Marshalls velfærdsmål ikke kan bruges til værdisætning af hypotetiske eller ikke-markedsomsatte goder, da målet som nævnt er baseret på ordinære efterspørgselskurver, altså RP data Således er det netop Hicks definition, der ligger til grund for beregning af velfærdmål i DCE Hicks opererer med to grundlæggende velfærdsmål (Andersen et al 1999, ): 1 Kompenserende variation (CV): Det beløb, der kan fratages individet i terminalsituationen, så det er lige så godt stillet som i initialsituationen Målet kaldes WTP ved nyttestigninger og willingness-to-accept (WTA) ved nyttefald 2 Ækvivalerende variation (EV): Det beløb, som individet skal modtage i initialsituationen således, at det bliver lige så godt stillet, som i terminalsituationen kaldet WTA ved nyttestigninger og WTP ved nyttefald I det følgende anvendes velfærdsmålet CV til at undersøge en kvalitetsændring fra S til S : Først med udgangspunkt i state of the world tilgangen, og dernæst med udgangspunkt i en multiple alternative tilgang 262 Beregning af den kompenserende variation i DCE Lad nytten være beskrevet ved en prisattribut, p, og en generisk kvalitetsfaktor, t, dvs V = β 1 p + β 2 t I terminalsituationen er kvaliteten bedre end i initialsituationen, dvs t > t Desuden antages at β 1 < 0 og β 2 > 0 CV er det beløb, der gør, at det originale nytteniveau, V 0 bliver lig det terminale nytteniveau, V 1, i nedenstående ligning: [2-10] V 0 = β 1 p + β 2 t = β 1 (p + CV) + β 2 t = V 1 (Louviere et al 2000, 337) Ovenstående giver et økonomisk velfærdsmål eller WTP for en kvalitetsændring, når der kun er et alternativ Dvs når det er sikkert, at individet vælger alternativ i I DCE er det kun givet, at individet med en vis sandsynlighed vil vælge et givent alternativ, hvorfor velfærdsmålet skal udvides Løsningen er at vægte hvert alternativ med sandsynligheden for, at det vil blive valgt I tilfælde af en conditional logit model (afsnit 42) beregnes først den forventede værdi af det alternativ, der vælges, dvs den maksimale nytteværdi Givet 18 Ved en pareto-optimal tilstand forstås en tilstand, hvor det ikke er muligt at forbedre situationen for nogle uden at forringe den for andre (Andersen et al 1999, 45) 37

39 et sæt af alternativer i = 1, 2,, I med nytterne V i bliver den forventede maksimale nytteværdi: I [2-11] ln e V i (Louviere et al 2000, 340) i= 1 Herefter kan en ændring fra initiale omstændigheder, på følgende måde: 0 V i, til nye betingelser, 1 V i, udtrykkes I I V i Vi [2-12] CV = ln e ln e, (Louviere et al 2000, 340) µ i= 1 i= 1 hvor µ er marginalnytten af penge Priskoefficienten i en lineær model afspejler som bekendt ændringen i nytten ved en ændring i prisen på godet Priskoefficienten er negativ, da højere priser er ensbetydende med lavere nytter Ved at gange priskoefficienten med -1 ændres den marginale disnytte af pris til marginalnytten af indkomst Det er netop [2-12], der er udgangspunkt for beregningen af velfærdændringen som følge af en kvalitetsforbedring af henholdsvis pen og inhalator i afsnit 58 Med det teoretiske fundament for DCE på plads kan de metodemæssige overvejelser i relation til DCE diskuteres Denne diskussion er en del af design- og dataindsamlingsafsnittet, som følger i afsnit 3 38

40 3 Design- og dataindsamlingsprocessen Processen med planlægning og design af undersøgelsen, herunder DCE design, samt dataindsamlingen beskrives i det følgende Designfasen i DCE er meget vigtig, idet den er afgørende for, hvor meget information, der kan trækkes ud af data Ordet design dækker nemlig her over en forudgående planlægning af, hvilke observationer, der skal inkorporeres i eksperimentet for, at der kan drages de bedst mulige slutninger med udgangspunkt i data (Louviere et al 2000, 84) Designprocessen inddeles ofte i fem stadier: (1) Identifikation af attributter, (2) identifikation af attributniveauer, (3) eksperimentelt design, (4) dataindsamling, herunder konstruktion af spørgeskemaet samt (5) dataanalyse Nærværende undersøgelse er tilstræbt udført med udgangspunkt i disse fem stadier I den følgende gennemgang tages der udgangspunkt i de fem stadier, idet de fire første stadier i processen beskrives her (i dette afsnit), mens dataanalyse beskrives i afsnit 4 Først gives dog i underafsnit 31 et kronologisk overblik over undersøgelsesprocessen 31 Processen Forarbejdet til undersøgelse af diabetikeres ønsker til insulinpræparater og udstyr startede kort efter, at der var etableret kontakt med Novo, dvs primo marts 2006 Første skridt var en gennemgang af såvel teoretisk som empirisk DCE litteratur, som kunne være af relevans for undersøgelsen I forbindelse med opstartsmøde med Novo den 20 april 2006 blev det desuden aftalt, at der skulle gennemføres en forundersøgelse (fokusgruppeinterviews), samt at spørgeskemaet til skulle testes i en pilotudsendelse, førend den endelige undersøgelse blev sat i værk De vigtigste begivenheder i design- og indsamlingsprocessen er gengivet nedenfor i kronologisk orden: Etablering af kontakt til Novo (primo marts 2006) Forarbejde, herunder udarbejdelse af foreløbig projektbeskrivelse samt litteraturstudier (marts - juni 2006) Opstartsmøde mellem Novo og forfatterne (20 april 2006) Forberedelse af fokusgruppeinterviews, bla interviewguide (april-maj 2006) (se interviewguide til fokusgruppeinterviews i bilag A3) Fokusgruppeinterviews (19 juni 2006), gennemført hos MUUSMANN Research & Consulting, Kolding (for resumé og konklusioner, se bilag A4) Fastlæggelse af attributter og eksperimentelt design (vejledermøde, 2 august 2006) 39

41 Udarbejdelse af spørgeskema (august-november 2006) Pre-pilot test af spørgeskema blandt venner og bekendte (6-18 september 2006) Pilot-spørgeskema sendt til GfK (9 oktober 2006) Gennemførelse af pilot-undersøgelse (1-15 november 2006) Endeligt spørgeskema sendt til GfK (20 november 2006) Gennemførelse af undersøgelse ( 27 november 22 december 2006) Analyse af data (13 december 2006 ) Ad Fokusgruppeinterviews Fokusgruppeinterviews blev gennemført den 19 juni 2006 hos MUUSMANN Research & Consulting i Kolding I alt seks respondenter blev interviewet, fordelt på tre mænd og tre kvinder, fem type 2 diabetikere (alle over 50 år) og en enkelt type 1 diabetiker (33 år gammel) Respondenterne blev interviewet enkeltvis af forfatterne Torsten Christensen, Novo, var til stede ved de fleste interviews og forestod præsentation af inhalator (ca halvvejs igennem interviewet) Det var sat 45 minutter af til hvert interview Respondenterne blev fundet gennem indrykning af annonce i Kolding Ugeavis efter først-tilmølle princippet (bortset fra at mindst fire respondenter skulle være type 2 diabetikere) Deltagelse blev honoreret med et gavekort på 250 kr til Kolding Storcenter En mulig bias ved interviews mod honorering er, at der er en risiko for at komme til at tiltrække en bestemt type diabetikere, som ikke nødvendigvis er repræsentative for diabetikere generelt Det viste sig da også, at alle respondenter pt var udenfor arbejdsmarkedet ((førtids)pensionist, efterløn, arbejdsløs og barsel) Det skyldes naturligvis til dels, at interviews var planlagt indenfor normal arbejdstid Overordnet set vurderer vi dog, at problemet ikke har været voldsomt stort i dette tilfælde Vi fik generelt nogle meget brugbare kommentarer fra de gennemførte interviews (resumé og konklusioner kan ses i bilag A4), både hvad angår indblik i, hvad det vil sige at leve med en kronisk lidelse som diabetes, og i relation til attributter og niveauer Ad Gennemførelse af pilotundersøgelse GfK har forestået den praktiske gennemførelse af pilotundersøgelse i perioden 1 15 november 2006, på baggrund af spørgeskemaer og kodebog fremsendt til GfK 9 oktober 2006 Forfatterne har således selv stået for design af spørgeskemaet, mens GfK har stået for opsætning af indtastningslayout, trykning, udsendelse, rykning og indtastning af skemaer (både i pilotundersøgelse og i den endelige undersøgelse) 40

42 Givet det valgte DCE design, er der tre forskellige versioner af spørgeskemaet (se afsnit 332) I forbindelse med udsendelse af skemaer (lige mange af hver version) er stikprøven blevet randomiseret, således at det er tilfældigt, hvilken skemaversion den enkelte respondent har fået tilsendt Der var aftalt en stikprøve på 20 respondenter til pilotundersøgelsen, men 30 spørgeskemaer blev udsendt for hurtigt at få besvarelser i hus I alt 20 besvarelser blev modtaget i forbindelse med pilotundersøgelsen Ad Gennemførelse af undersøgelse Stikprøven i den endelige undersøgelse er igen blevet randomiseret mht spørgeskemaversion, ligesom der er foretaget stratificering på baggrund af diabetikertype Det var aftalen med GfK at udsende spørgeskemaet til 100 type 1 diabetikere og 300 type 2 diabetikere, men den endelige fordeling af udsendte spørgeskemaer er endt med at blive 136 type 1 hhv 264 type 2 diabetikere Indsamling af data til den endelige undersøgelse er sket i perioden 27 november 22 december 2006, idet fristen for indsendelse af besvarelse (på rykkerskrivelsen) var angivet til 15 december Det har vist sig, at der især har været problemer med at få nok besvarelser fra type 2 diabetikere i hus, hvorfor en ekstra rykkerskrivelse blev sendt 14 december, specifikt til denne undergruppe En midlertidig dataleverance fra GfK blev modtaget 13 december, og den endelige dataleverance er modtaget 22 december I alt er 315 besvarelser modtaget og indtastet pr 22 december 2006 Beskrivelser og analyser i specialeafhandlingen er baseret på sidstnævnte, dvs den endelige dataleverance Stikprøven beskrives nærmere i afsnit 51, mens selve valget af dataindsamlingsmetode og tællingsenhed gennemgås i afsnit 34 De bemærkes, at der i forbindelse med indsamling af besvarelser i den endelige undersøgelse er udlovet gavekort til en samlet værdi af 6000 kr (se følgebrev til respondenterne, bilag B2) Modtagere af gavekort er udtrukket tilfældigt blandt de modtagne besvarelser GfK har også stået for håndteringen af denne del af den praktiske gennemførelse af undersøgelsen Som nævnt er gennemgangen i det følgende ikke fuldstændig kronologisk, idet den følger stadierne i designprocessen Ovenstående begivenheder bliver inddraget der, hvor de naturligt passer ind Underafsnittene er struktureret som følger: Først følger en teoretisk metodisk gennemgang af problemstillingen, og derefter inddrages de overvejelser, som vi har gjort os i forbindelse med den beskrevne problemstilling 41

43 32 Attributter og attributniveauer 321 Identifikation af attributter I designfasens første stadium defineres de relevante attributter Der findes ikke en egentlig standard for, hvorledes dette skal gøres, men attributterne må nødvendigvis være relevante i forhold til det pågældende eksperiment, herunder også for beslutningstagerne, ligesom de skal være meningsfulde og vigtige for respondenterne (Bennett og Blamey 2001, 138) Disse krav kan opfyldes ved at indhente mest mulig information fra forskellige kilder Feks gennem interviews med nøglepersoner (eksperter, politikere mfl), fokusgruppediskussioner samt litteraturstudier En attribut er relevant, hvis ignorering af dens eksistens vil ændre konklusionerne vedrørende respondenternes præferencer (Bennett og Blamey 2001, 138) Udelukkelse af vigtige attributter vil sandsynligvis medføre biased estimater og upræcise velfærdsmål, idet modellen, der skal estimeres, er helt afhængig af attributterne i eksperimentet Sammenfattende kan der opstilles følgende krav til attributter, der skal anvendes i beslutningsøjemed (Bennett og Blamey 2001, 49, 136, 138): Attributterne skal være forståelige, dvs præcist og konsistent beskrevet, og målbare Sidstnævnte er en forudsætning for, at sandsynlighedsfordelingen for hvert alternativ givet de mulige attributniveauer samt respondenternes underliggende nyttefunktioner kan udledes Attributterne skal dække alle vigtige aspekter af den aktuelle problemstilling Attributterne skal være meningsfulde både for respondenter og beslutningstagere samt i teoretisk og analytisk forstand Forskellige aspekter af evalueringen skal kunne nedbrydes i mindre dele Attributterne skal defineres, så dobbelttælling af konsekvenserne undgås Antallet af attributter skal være så lille som muligt Der findes ingen generelle regler for antallet af attributter i DCE, men der synes at være konsensus om et maksimum på højst otte attributter Attributterne må ikke være gensidigt afhængige eller tilfældigt relateret til hinanden I forbindelse med udvælgelse af attributter har vi taget udgangspunkt i vores egne forestillinger om, hvilke egenskaber ved insulinpen hhv inhalator, som er af betydning for diabetikerne Desuden har vi gennemgået den forholdsvis beskedne empiriske litteratur, der 42

44 specifikt vedrører betalingsvilje for udstyr til administration af insulin (Sadri et al 2005; Prütz et al 2006; Chancellor et al 2006) Endvidere har det været en stor hjælp at diskutere attributsammensætningen med Novo (dvs med Torsten Christensen fra Novo) Dette gjorde, at vi allerede i forbindelse med fokusgruppeinterviews havde en ganske god idé om, hvilke attributter, der var relevante Overvejelser vedrørende attributter og attributniveauer, herunder kommentarer fra fokusgruppeinterviews, gennemgås under ét i afsnit Identifikation af attributniveauer Når attributterne skal tildeles niveauer, er første skridt at afklare, hvorvidt niveauerne skal præsenteres kvalitativt eller kvantitativt For kvantitative attributter skal der yderligere tages stilling til, om attributterne skal præsenteres i absolutte eller relative termer Ryan (1999, 445) opstiller tre succeskriterier for valg af attributniveauer: 1 Niveauerne skal være plausible for respondenterne 2 Niveauerne skal være actionable for respondenterne, dvs attributniveauerne skal give respondenterne en grund til at reagere 3 Niveauerne skal konstrueres, så respondenterne er villige til at fortage afvejninger mellem forskellige kombinationer af attributterne, dvs foretage trade-offs En forudsætning for, at respondenterne foretager trade-offs mellem de forskellige kombinationer af attributter er, at afstanden mellem niveauerne hverken er for lille eller for stor I modsat fald vil respondenterne opfatte forskellene som insignifikante eller for signifikante, hvilket fører til dominerede eller dominerende niveauer, dvs non-trading 19 Konsekvensen er henholdsvis insignifikante og ekstreme koefficienter Således er det vigtigt at have niveauerne in mente, når resultaterne fortolkes En insignifikant koefficient er ikke nødvendigvis ensbetydende med, at attributten er uden betydning for respondenten Den korrekte fortolkning er, at attributten ikke influerer valgene ved de pågældende niveauer Tildeling af niveauer til de enkelte attributter er ikke ligetil, og opgaven kompliceres yderligere af, at der ofte er heterogenitet i respondenternes præferencer Konstruktion af attributniveauerne med udgangspunkt i den gennemsnitlige respondents synspunkt vil dog ofte forhindre, at respondenter med ekstreme præferencer foretager trade-offs mellem attributterne Det er nødvendigt at være opmærksom på, at antallet af niveauer i DCE påvirker attributternes signifikans Begrebet attributeffekten bruges om situationer, hvor en stigning i antallet af 19 Non-trading kan også være et tegn på lexikografiske præferencer og manglende kognitive evner samt bounded rationality grundet kompleksiteten af valgopgaven Bounded rationality anerkender, at kognitive begrænsninger og informationsomkostninger kan være til hinder for individer i relation til at handle rationelt 43

45 niveauer for en attribut, der ikke er affødt af en stigning i de øverste og nederste niveauer, gør den pågældende attribut relativt mere signifikant Attributeffekten har nogle uheldige konsekvenser i form af bla biased resultater Problemet kan minimeres ved at tildele alle attributterne det samme antal niveauer, hvilket dog sjældent er praktisk muligt endsige ønskværdigt Eksempelvis bliver omkostnings- eller prisattributten ofte tildelt flere niveauer end andre attributter Omkostnings-/prisattribut Omkostningsattributten bruges som nævnt i beregningen af WTP (afsnit 25), og ved udledning af velfærdsteoretiske estimater for benefits til brug i feks cost-benefit analyser optræder attributten i designet som en substitut for marginalnytten af indkomst (afsnit 262) Netop tildeling af niveauer til omkostningsattributten er forbundet med en række væsentlige overvejelser (Bateman et al 2002, ) Først og fremmest skal det sikres, at omkostningsniveauerne er troværdige og realistiske Endvidere bør niveauerne konstrueres, så risikoen for strategisk opførsel minimeres I SP metoderne er det således vigtigt at bruge en incentive compatible udledningsprocedure, dvs en procedure, hvor spørgsmålene er formuleret på en sådan måde, at det er i respondenternes interesse at give troværdige svar Spørgsmålet om incitament kompatibilitet er forbundet med valg af payment vehicle, dvs hvordan betalingen af det pågældende gode kommer til at foregå Respondenterne kan svare strategisk på spørgsmålene, hvis de ikke tror på, at de vil blive opkrævet det fastsatte beløb i scenariet Uanset valget af betalingsmetode vil der dog altid være anledning til bekymring Feks vil skattefinansiering give problemer i forhold til lighed, ligesom donationer medfører problemer vedrørende free-riding og køb af moralsk tilfredsstillelse Valget af niveauer til omkostningsattributten både hvad angår antal og intervaller er vigtigt i forhold til estimeringen af WTP Forkerte omkostningsintervaller kan føre til overeller underestimerede WTP værdier og således misvisende resultater For lave niveauer kan medføre non-trading af omkostningsattributten, hvilket alt andet lige medfører en højere sandsynlighed for at vælge et givet alternativ Således bliver WTP overestimeret, idet nytten ved alternativet fremstår som højere samtidig med, at modviljen mod at skulle betale for det synes mindre 44

46 323 Overvejelser vedr attributter og niveauer (fokusgruppeinterviews) Den følgende gennemgang er primært baseret på erfaringer fra fokusgruppeinterviews Følgende attributter har været overvejet i forbindelse med nærværende undersøgelse: 1 Apparatets størrelse og vægt 2 Dagbogsfunktion indbygget 3 Integreret blodsukkermåler (kun pen) 4 Kan medføre mild kortvarig hoste i forbindelse med indtagelse (kun inhalator) 5 Egenbetaling i kr pr måned 6 Indbygget sikkerhed: Frigiver inhalator kun insulin, når inhaleringstempo er korrekt (kun inhalator) 7 Opbevaringstemperatur: Opbevaring i køleskab versus ikke køleskab 8 Antal gentagelser pr behandling: af hvor mange omgange skal insulinen indtages Som det vil fremgå i det i det følgende, endte vi med at vælge punkt 1-5 som attributter i både pilotundersøgelsen og i den endelige undersøgelse Ovenstående egenskaber/attributter gennemgås i det følgende, idet kommentarer fra fokusgruppeinterviews inddrages Overvejelser vedrørende de fem valgte attributter beskrives i dybden, mens der blot kommenteres kort på de øvrige Ad 1: Apparatets størrelse, med i design Der var fra starten ikke nogen tvivl om, at størrelsen på pen og inhalator på en eller anden måde skulle indarbejdes i DCE designet Dette skyldes, at inhalator i dens nuværende udformning er noget større end en gennemsnitlig pen (ca 200 gram/kubikcentimeter i forhold til en pen med en vægt på gram) Forud for fokusgruppeinterviews havde vi en dametasketeori, der gik på, at de kvindelige respondenter ville have et apparat, som let kan være i en dametaske også i en lille fest-taske Dette blev også bekræftet af de to første kvindelige respondenter i forbindelse med interviews, hvorimod den 3 kvindelige respondent ikke havde nogen problemer med størrelsen Hun havde altid sit blodsukker-måleapparat med, og det har ca samme størrelse som en inhalator I alt angav tre respondenter, at størrelsen var en meget vigtig egenskab, mens de sidste tre lagde mindre vægt på størrelse Respondenterne nævnte størrelser varierende fra størrelsen på en mobiltelefon (ca 100 gram) og til dobbelt størrelse af det nuværende apparat (omkring 500 gram) Hvad angår relevans er størrelse fin nok som attribut, men problemet har været at finde den korrekte attributdefinition, der på samme tid er både målbar og forståelig for respondenterne 45

47 Hvis størrelse defineres som vægt (i gram), fås en attribut, som forstås af de fleste respondenter, da de fleste kan finde ud af at sammenligne den angivne vægt, relativt til en anden genstand, feks en pakke smør Problemet er, at det i en beslutningssituationen formentlig ikke er vægten, men derimod rumfang (feks målt i kubikcentimeter), der har betydning for respondentens valg Og det kan være svært for den gennemsnitlige respondent at forestille sig, hvor meget 200 kubikcentimeter er 200 gram er mere ligetil Vi endte med at vælge antal gram som den primære definition på størrelsesattributten, dog suppleret med kubikcentimeter, da vægt og rumfang nogenlunde følges ad i hvert tilfælde for inhalator Det var samtidig klart, at vi ikke kunne angive de samme størrelses-niveuaer for pen og inhalator Selvom valgspørgsmålene er hypotetiske, skal niveauerne stadig være realistiske og afspejle den virkelige verden Det er feks ikke realistisk at angive, at pen vejer 500 gram Det stod derfor forholdsvis tidligt i forløbet klart, at udgangspunktet skulle være et alternativspecifikt eksperimentelt design, hvor attributniveauerne kan variere særskilt for alternativerne pen og inhalator Eksperimentelt design beskrives i afsnit 33 Oversigt over det endelige valg af attributniveauer for størrelse og for de øvrige attributter kan ses i afsnit 324 Ad 2: Dagbogsfunktion indbygget, med i design Med indbygget dagbogsfunktion i pen eller inhalator, kan udstyret holde styr på, hvornår og i hvor store mængder insulin indtages Konceptet kendes fra blodsukkermålere, som gemmer blodsukkermålingerne og kan beregne det gennemsnitlige blodsukkerniveau over en given tidsperiode I dette tilfælde vil registreringerne dog også kunne overføres til en pc via et medfølgende stykke software og efterfølgende kunne bruges til egenkontrol eller til kontrol hos praktiserende læge Dagbogsfunktion, som den er beskrevet ovenfor, findes hverken i de penne eller inhalatorer, der er på markedet i dag Det er planen at indbygge funktionen i Novo s inhalator, når denne kommer på markedet indenfor de kommende år Dagbogsfunktion indbygget i insulinpen er principielt også en mulighed, men dette ligger noget længere ude i fremtiden Dagbogsfunktionen skilte vandene blandt de interviewede respondenter Tre fandt den mere eller mindre ligegyldig og tre fandt, at der var tale om en væsentlig egenskab Det er ganske tankevækkende, at de tre respondenter, der lagde stor vægt på mindre størrelse på inhalatoren, var de samme tre respondenter, som fandt dagbogsfunktionen mere eller mindre ligegyldig Disse respondenter havde også en klar a priori præference for insulinpen og dermed klart de mindste merbetalingsvilligheder for inhalator 46

48 Det er vores opfattelse, at dagbogsfunktion er en relevant attribut Dog udtrykte kun en af de seks respondenter en klar merbetalingsvillighed for inhalator med dagbogsfunktion versus inhalator uden dagbogsfunktion, hvilket kunne give grund til bekymring for, om der vil være nok variation i respondenternes valg på baggrund af dagbogsattributten Vi endte dog med at tage dagbog med i undersøgelsen, da vi vurderede, at den var både realistisk og interessant i forhold til undersøgelsen Dagbogsfunktionen er defineret som en dikotom (kvalitativ) attribut dagbogsfunktion indbygget/ikke indbygget hvor niveauerne varierer separat indenfor penog inhalator-valgalternativerne Ad 3: Integreret blodsukkermåler (kun pen), med i design Integreret blodsukkermåler er den eneste af de valgte attributter, som vi ikke har fået kommentarer på i forbindelse med fokusgruppeinterviews simpelthen fordi, at idéen til attributten først opstod efterfølgende Faktisk opstod idéen fordi, at flere af de interviewede fandt det besværligt, at de udover deres insulinpen også altid skal (bør) have blodsukkermåleapparatet med sig i en taske Vi synes helt klart, at denne attribut er interessant i forhold til undersøgelsen, dvs vi synes, at det er interessant at undersøge diabetikeres betalingsvilje for en sådan attribut Vi føler os nogenlunde sikre på, at respondenterne også finder den relevant Det bemærkes, at der rent faktisk fandtes en Novo-pen med indbygget blodsukkermåler kaldet InDuo, men denne er ikke længere tilgængelig 20 InDuo kaldes dog ikke en insulinpen med integreret blodsukkermåler, men derimod en kombineret blodsukkermåler og insulindoseringssystem Blod skal således stadig påføres en strip, som derefter indsættes i måleren, ligesom på en almindelig blodsukkermåler Vi forestiller os, at blodsukkermåling med den integrerede blodsukkermåler, som er beskrevet ved attributten i undersøgelsen, vil være mere automatiseret Feks ved at blodsukkeret måles direkte ved brug af nålen på insulinpennen Det fremgår ikke, hvorfor Induo er blevet trukket tilbage, så vi kan blot gætte på, at det skyldes manglende efterspørgsel formentlig primært pga af en høj egenbetaling Dette taler selvfølgelig imod at bruge attributten i undersøgelsen, men vi føler alligevel, at attributten vil være interessant for diabetikerne og at de vil efterspørge denne egenskab Især hvis blodsukkermålingsprocessen kan automatiseres Der gøres opmærksom på, at attributten kun bruges til beskrivelse af pen Det skyldes dels, at vi vurderer, at blodsukkermåler primært giver mening for pen, da vi forestiller os, at det stadig vil være nødvendigt at måle blodsukkeret ved at analyseret blodet I så fald giver blodsukker- 20 Se Novo s hjemmeside: 47

49 måler indbygget i en inhalator ikke mening 21 Dels skal designet helst være balanceret (i dette tilfælde vil det sige lige mange attributter og niveauer for hvert valgalternativ), og vi har også en attribut, der er specifik for inhalator (se nedenfor) Integreret blodsukkermåler er defineret som en dikotom (kvalitativ) attribut integreret blodsukkermåler/ikke blodsukkermåler og altså kun for pen Ad 4: Mild kortvarig hoste ifm indtagelse (kun inhalator), med i design Idéen til denne attribut opstod som følge af et australsk forsøg med inhaleret insulin blandt type 1 diabetikere I forbindelse med forsøget oplevede ca 4 pct af deltagerne en mild, kortvarig/forbigående hoste i forbindelse med indtagelse af insulin med inhalator (pers com Torsten Christensen, Novo) Ingen af de interviewede respondenter (forundersøgelsen) havde noget problem med en sådan bivirkning Det skal dog understreges, at det er lettere at forklare, at bivirkningen kan forekomme for ca 1 ud af 20, der bruger inhaleret insulin, når der er tale om et personligt interview Det kan være lidt sværere at forklare respondenterne i en spørgeskemaundersøgelse hvilket da også har vist sig at være tilfældet I forbindelse med gennemgang af spørgeskemaet i afsnit 34 beskrives det, hvilke forholdsregler vi har forsøgt at tage for at sikre, at respondenterne forholder sig nogenlunde objektivt til denne attribut Hvis respondenten ikke forstår præcist, hvad en given attributkombination indebærer, tager denne udgangspunkt i sin egen subjektive fortolkning af kombinationen og kommer derved feks til at lægge for stor vægt på, at mild, kortvarig hoste kan forekomme (respondenten tror måske, at bivirkningen forekommer med 100 pct sikkerhed) Mild, kortvarig hoste i forbindelse med indtagelse (kan forekomme for ca 1 ud af 20) er defineret som en dikotom (kvalitativ) attribut hoste/ingen hoste og er kun defineret for inhalator-alternativet En kvalitativ eller kvantitativ attribut med flere end to niveauer blev også overvejet: det kunne være interessant at undersøge, hvor alvorlige bivirkningerne skal være, førend respondenterne fravælger inhalator Denne løsning blev dog droppet, da vi vurderede, at en sådan løsning ville være endnu sværere at forklare til respondenterne i et DCE baseret på spørgeskemaer Dels var det nødvendigt at tage højde for, at designet skal balancere (integreret blodsukkermåler har også to niveauer, ligesom hoste/ingen hoste) Ad 5: Egenbetaling i kr pr måned, med i design Den sidste og mest oplagte attribut, som er taget med i betalingsvilje-undersøgelsen, er prisattributten Attributten er defineret som egenbetaling pr måned for behandling (med pen eller 21 Vi foregiver på ingen måde at kende problemstillingen til bunds Vi er ikke lægefagligt uddannet og har intet kendskab til biokemi mv; men da attributterne beskriver hypotetiske valgsituationer, tillader vi os at resonere som beskrevet 48

50 inhalator), målt i danske kroner Mere specifikt er der tale om egenbetaling efter eventuelle tilskud Det er nødvendigt at præcisere sidstnævnte, da insulin til penne er tilskudsberettiget efter de almindelige medicintilskudsregler, mens det ikke forventes, at det samme kommer til at gælde for insulin til inhalator (se afsnit 123) Som nævnt i afsnit 322 er det i særlig grad vigtigt, at prisattributtens niveauer er troværdige og realistiske Udgangspunktet for en generisk insulinpen er i dag ca 125 kr pr måned i egenbetaling Der er altså tale om et veldefineret produkt med en kendt gennemsnitlig egenbetaling Dog har det været nødvendigt at variere prisen for pen nok til at være dækket ind i relation til egenskaber som dagbog og integreret blodsukkermåler, som ikke er indbygget nogen pen, der pt er på markedet I forbindelse med fokusgruppeinterviews blev der brugt mest tid på at afdække præferencer og betalingsviljer for det nye, ukendte produkt: inhalator Der foreligger derfor ikke nogen deciderede estimater for merbetalingsvilligheden for forbedring af pen med de nævnte egenskaber Gennemsnitligt var respondenterne dog ikke villige til at betale mere end 2-3 gange deres nuværende egenbetaling for nogen form for forbedring I tabel 31 er den maksimale betalingsvilje for inhaleret insulin anført for de interviewede respondenter Tabel 31 Maksimal egenbetaling for inhalator, fokusgruppeinterviews # Max egenbetaling Nuværende egenbetaling a Samlet egenbetaling medicin Kommentar egenbetaling pr måned (kr) < > 120 Samlet egenbetaling uoplyst, men af en væsentlig størrelse, da han har hjerteproblemer Ved ikke - Diabetes type 1 Pumpe-bruger Betalingsvilje er hvis valget stod mellem pen og inhalator kr/måned for meget Ca 50 pct prisforskel ok måske også ok 1500 for meget Merpris på 500 kr for dagbogsfunktion ok > 400 Får blandt andet blodfortyndende medicin Kan være biased, da hun i dag får dækket samtlige udgifter til diabetes (og formentlig også andet medicin) af danmark a: Nuværende egenbetaling for diabetesrelateret medicin Diabetesrelateret medicin kan feks være tabletter (OAD) eller insulin Kilde: Bilag A4 Betalingsviljerne er angivet med udgangspunkt i en forudgående beskrivelse af Novo s inhalator Den komplette beskrivelse af inhalator, som blev brugt i forbindelse med interviews, kan ses i bilag A4 49

51 I relation til de til undersøgelsen valgte attributter kan inhalator beskrives som: Inhalatoren vejer 200 gram og har ca samme størrelse som en pakke Kærgården smør (billede af prototype blev vist til respondenterne) Der er indbygget dagbogsfunktion, og mild, kortvarig hoste kan forekomme i forbindelse med indtagelse for ca 1 ud af 20 brugere Den observerede tommelfingerregel (2-3 gange mere end den nuværende egenbetaling) blandt de interviewede respondenter svarer nogenlunde overens med de merbetalingsvilligheder for inhaleret insulin, som er rapporteret fra lignende undersøgelser: kr i merbetaling (afsnit 13) I tabellen er der dog tale om maksimal egenbetaling for inhaleret insulin og ikke merbetaling i forhold til den nuværende situation Betalingsviljerne for #5 og #6 betød, at vi første omgang satte det øverste attributniveau for inhalator til 2500 kr pr måned (niveauerne for egenbetaling blev i første omgang også varieret separat for pen og inhalator) Niveauerne blev dog revideret kraftigt på baggrund af pilotundersøgelsen, som det vil fremgå af afsnit 324 Ad 6: Indbygget sikkerhed I Novo s kommende inhalator vil der være indbygget en sikkerhedsventil, som forhindrer insulinen i at blive frigivet fra inhalatoren, hvis der inhaleres for svagt eller for kraftigt På den måde sikres det, at inhalatoren ikke er skyld i fejldosering af insulin Doseringssikkerheden er således lige så god som for en pen Ikke uventet var den gennemgående melding i forbindelse med interviews, at det er meget vigtigt med en sikkerhedsventil der er jo ikke nogen, der er interesseret i fejldosering Sikkerhedsfunktion blev fravalg at to årsager: (1) Relevans: Selvom doseringssikkerheden kan variere, er det ikke sandsynligt, at en decideret usikker inhalator vil blive godkendt til salg og (2) Forståelse: På samme måde som feks hosteattributten kan det være svært at forklare betydningen af en indbygget sikkerhedsventil Som nævnt endte vi altså med at vælge hosteattributten i stedet Ad 7: Opbevaringstemperatur Ud fra de indledende litteraturstudier fik vi den opfattelse, at der var væsentlig forskel på kravene til opbevaring af insulin til brug i pen hhv til brug i inhalator (mht opbevaringstemperatur), således at det ikke var nødvendigt at opbevare inhaleret insulin i køleskab Efterfølgende har det vist sig, at opbevaringskravene for de to typer insulin er stort set ens: langtidsopbevaring ved 2-8 C og opbevaring ved indtil 30 C i indtil 30 dage Vi vurderede derefter, at attributten ikke længere var interessant (interviews bekræfter i øvrigt dette) 50

52 Ad 8: Antal gentagelser pr behandling For insulinpennen gælder det, at insulinbeholderen skal udskiftes, hvis der ikke er nok insulinenheder (IE) tilbage i den gamle beholder til den dosis, som skal indtages (hvis der er tale om en engangspen, udskiftes hele pennen) Indtagelsen må altså ikke deles i to, således, at den gamle beholder først tømmes, hvorefter de sidste enheder tages af den nye beholder Det samme gælder for så vidt også for de strips, som benyttes i inhalatoren, men da hver strip kun indeholder 10 IE (pen indeholder som standard IE), vil spildet i forbindelse med inhalatoren formentlig være mindre Hvis diabetikeren derimod skal bruge mere end 10 IE pr behandling, feks 40 IE, så skal han inhalere ad fire omgange (fire gentagelser) Vi formoder, at disse gentagelser vil være irriterende i længden I forbindelse med overvejelse af denne attribut forestillede vi os, at det måske var muligt at definere attributten som det maksimale antal enheder, der kan være i apparatet på én gang Vi tror sådan set, at attributten kunne være relevant for undersøgelsen, men vi var ikke tilfredse med den måde, som attributten blev kvantificeret på: Det er simpelthen for svært at forklare den for respondenterne Antal gentagelser pr behandling er således ikke med i DCE designet 324 Justering af attributniveauer (pilotundersøgelse) Efter gennemgang af de specifikke overvejelser i forbindelse med valg af attributter og niveauer til undersøgelsen gives i det følgende en oversigt over de valgte attributter og attributniveauer Som anført i afsnit 31 lagde vi os fast på antallet af attributter og definitioner af disse i forbindelse med vejledermøde d 2 august 2006, og hverken antal eller definitioner er blevet ændret væsentligt siden da Pilotundersøgelsen gav til gengæld anledning til væsentlige ændringer i attributniveauerne for to af de vigtigste attributter: størrelse og egenbetaling Attributter og niveauer fra pilotundersøgelsen er gengivet i tabel 32a Det endelige valg af attributter og attributniveauer fremgår af tabel 32b Årsagen til ændringer i niveauerne fra pilotundersøgelsen til den endelige undersøgelse gennemgås i det følgende 51

53 Tabel 32a Oversigt over attributter og attributniveauer, pilotundersøgelse Attributnavn a Størrelse (storrelse) Dagbog (dagbog) Blodsukker (intmaal) Hoste (hoste) Egenbetaling (egenbet) Attributlabel Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned Hypotese (retning) b disnytte (-) nytte (+) nytte (+) disnytte (-) disnytte (-) Antal niveauer Niveauer, pen Niveauer, inhalator 2 x 3 50, 75, , 200, x 2 Ja, Nej Ja, Nej 1 x 2 Ja, Nej (Nej) 1 x 2 (Nej) Ja, Nej 2 x 6 100, 150, 200, 400, 500, , 250, 450, 900, 1500, 2500 Tabel 32b Oversigt over attributter og attributniveauer, endelig undersøgelse Attributnavn a Størrelse (storrelse) Dagbog (dagbog) Blodsukker (intmaal) Hoste (hoste) Egenbetaling (egenbet) Attributlabel Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned Hypotese (retning) b disnytte (-) nytte (+) nytte (+) disnytte (-) disnytte (-) Antal niveauer Niveauer, pen Niveauer, inhalator 2 x 3 30, 50, , 200, x 2 Ja, Nej Ja, Nej 1 x 2 Ja, Nej (Nej) 1 x 2 (Nej) Ja, Nej valgt, da der er blevet valgt et design med tre niveauer for størrelse Og da respondenterne 52 2 x 6 100, 150, 250, 400, 800, , 150, 250, 400, 800, 1500 Anm: Noterne er fælles for tabel 32a og b Parentes rundt om Nej for blodsukkermåler og hoste betyder, at attributten ikke er defineret for det givne alternativ (pen eller inhalator) Attributterne er alligevel anført som Nej, også i spørgeskema, da den implicitte fortolkning er: Nej, inhalator indeholder ikke integreret blodsukkermåler, og: Nej, pen medfører ikke hoste a: Attributnavn benyttes ifm diskussion af attributter Attributternes variabelnavne er angivet i parentes (bruges i analyser) b: Hypotese angiver retningen af den forventede nytteændring forbundet med en marginal stigning i attributniveauerne (diskret stigning for så vidt angår de kvalitative attributter dagbog, blodsukker og hoste) I alt defineres fem attributter, heraf tre som er fælles for de to alternativer (størrelse, dagbog, egenbetaling), én som er specifik for pen (blodsukker) og én som er specifik for inhalator alternativet (hoste) Det understreges, at selvom tre attributter er fælles, så kan niveauerne stadig varieres særskilt for alternativerne, givet det alternativspecifikke design (afsnit 33) Ændringer fra pilotundersøgelsen til den endelige undersøgelse er fremhævet i tabel 32b For de tre attributter dagbog, blodsukker og hoste var det allerede i forbindelse med valg af attributter implicit givet, at disse skulle have 2 niveauer (dikotome kvalitative attributter): enten er attributten til stede i valgsituationen; ellers også er den ikke Ellers ville attributterne være for svære at forstå for respondenterne For størrelse og egenbetaling blev der taget udgangspunkt i kommentarer fra fokusgruppeinterviews, som beskrevet i afsnit 323 Størrelse For inhalator-størrelse blev der taget udgangspunkt i den forventede størrelse på Novo s inhalator (200 gram), hvorefter ét større og ét mindre niveau blev tilføjet Disse niveauer blev

54 helst skal presses lidt for at være sikker på, at de reagerer på ændringerne i størrelse (actionable), er det største niveau sat til 600 gram Mht pen-størrelse blev vi efter pilotundersøgelsen opmærksomme på, at niveauer måske var blevet sat for højt, givet at en standard insulinpen vejer mellem 20 og 50 gram Det blev derfor overvejet at sætte fast størrelse på pen, feks 30 gram Én fast størrelse i et design med tre niveauer for pen-størrelse betyder dog, at den samme kombination af attributter for penalternativet vil optræde mere end én gang pr spørgeskema-version Vi er derfor endt med at bibeholde tre niveauer, men at sætte størrelsen ned, så den bedre afspejler insulinpennens reelle størrelse (30, 50 og 80 gram) Egenbetaling På trods af de store størrelser for pen viste pilotundersøgelsen, at størrelse og de dikotome attributter blev ignoreret af respondenter Egenbetalings-attributten var alt for dominerende Der er valgt et design med seks niveauer for egenbetaling, som kan varieres særskilt for pen og inhalator I pilotundersøgelsen var niveauerne for pen og inhalator overlappende, men niveauerne for inhalator var generelt sat højere Det skyldes det måske misfortolkede rationale, at når egenbetaling med sikkerhed bliver større for inhalator, når produktet bliver lanceret (afsnit 123), så bør attributniveauerne for egenbetaling også afspejle dette Pilotundersøgelsen viste, at det er respondenterne ikke fokuseret på i valgsituationen I situationen ser de ikke blot på den absolutte pris for pen og inhalator, de ser i høj grad også på forskellen i pris mellem alternativerne For en del respondenter i pilotundersøgelsen var egenbetaling således en stærkt dominerende præference, dvs at de udelukkende så på egenbetaling, når de skulle vælge imellem pen og inhalator For at minimere den dominerende effekt af egenbetaling er der i den endelige undersøgelse taget udgangspunkt i ens egenbetalingsniveauer for pen og inhalator Prisniveauerne er blevet harmoniseret, bla således at det tidligere maksimale niveau for egenbetaling, inhalator, er blevet fjernet Egenbetaling varierer nu imellem 100 og 1500 kr pr måned for begge behandlingsformer Både egenbetaling og størrelse er kodet i absolutte termer Det skyldes, at ingen af de to valgalternativer nødvendigvis afspejler respondenternes nuværende situation (basis-alternativet) bla fordi diabetikerne i stikprøven ikke nødvendigvis bruger insulin i dag Derfor er der, udover de to alternativer, også inkluderet et opt-out (se afsnit 344) 53

55 33 Eksperimentelt design 331 Metode Med udgangspunkt i de ovenfor valgte attributter og niveauer fastlægges undersøgelsens eksperimentelle design, dvs måden hvorpå alternativernes niveauer fastsættes og struktureres i valgsæt (Bennett og Blamey 2001, 57) Det er således i dette stadium, at de hypotetiske valgsæt opstilles, hvilket blandt andet indebærer dannelse og sammensætning af alternativer Målet for det eksperimentelle design er at beskrive nytten ved alle mulige alternativer med udgangspunkt i et minimalt antal scenarier, samtidig med at designets efficiens maksimeres 22 Dvs at valgene skal tilvejebringe alle de nødvendige informationer, uden at den kognitive belastning af respondenterne bliver for stor 23 Ved at manipulere med attributter og deres niveauer muliggør eksperimentelle design således test af relevante hypoteser I forbindelse med DCE tages ofte udgangspunkt i et såkaldt faktorielt design Faktorielle design kombinerer hvert niveau af hver attribut med hvert niveau af alle de andre attributter Dvs 3 attributter med hver 2 niveauer giver 2 3 = 12 mulige kombinationer af attributniveauer og således 12 alternativer Et design, hvor samtlige alternativer optræder, kaldes et fuldt faktorielt design Respondenterne skal enten tage stilling til samtlige alternativer, eller grupper af respondenter skal svare på delmængder af valgsættene (block design) Et fuldt faktorielt design har gode statistiske egenskaber i forbindelse med lineære modeller Blandt andet garanterer designet, at alle attributternes effekter er uafhængige, ligesom alle effekter forbundet med ANOVA og multiple regressionsmodeller kan estimeres (Louviere et al 2000, 85 86) I praksis er et fuldt faktorielt design ofte problematisk, idet selv få attributter og niveauer giver mange kombinationer Store eksperimenter med mange attributter og niveauer kræver således, at designets størrelse reduceres Et fraktionelt faktorielt design indebærer netop en reduktion i antallet af alternativer, uden at det påvirker muligheden for estimering af relevante effekter For at sikre efficiente estimater er det i den forbindelse vigtigt at bevare det originale designs egenskaber i videst mulig omfang Ved hjælp af specifikke udvælgelsesmetoder er det muligt at opstille håndterlige design med de rette statistiske egenskaber Et fraktionelt faktorielt design vil dog altid medføre et tab af statistisk information, der til tider kan være signifikant, idet fraktionelle design begrænser muligheden for at tage højde for interaktioner mellem to eller flere 22 Efficiens kvantificeres som en funktion af parameterestimaternes varianser og kovarianser Dvs at efficiensen stiger, når variansen falder 23 Når man skal håndtere kompleks information anvendes ofte forsimplende og ikke-nyttemaksimerende tommelfingerregler, dvs heuristik 54

56 attributter Interaktionerne tager højde for, at en respondents præferencer for en attribut kan afhænge af niveauet på en anden attribut, som beskrevet i afsnit 24 Det meget udbredte main effect fractional factorial design antager, at interaktionerne mellem attributterne ikke er signifikante Argumenterne for at ekskludere interaktionseffekter er ifølge Louviere et al (2000, 94) at: Main effects typisk udgør mellem 70 og 90 pct af den forklarede varians, Tovejs interaktioner typisk udgør mellem 5 og 15 pct af den forklarede varians og Den resterende forklarede varians udgøres af interaktioner af højere orden Selvom interaktionerne er signifikante, udgør de altså sjældent en stor del af den forklarede varians, hvorfor de ikke vil påvirke designets efficiens væsentligt Signifikante interaktionseffekter, der udelades fra et design, vil dog altid påføre de estimerede resultater en bias, men da interaktionerne netop er uobserverede, er det ikke muligt at sige noget om omfanget af denne bias For at optimere design efficiensen skal fire elementer tages i betragtning på samme tid (Huber og Zwerina 1996, 309) 24 : 1 Level balance: Niveauerne for en attribut skal optræde med samme frekvens i designet Således vægtes alle niveauerne ens, når respondenterne skal afveje valgmulighederne Bliver respondenterne præsenteret for samtlige alternativer er level balance selvsagt sikret, men block design og fraktionelle design kræver eksplicit stillingtagen til spørgsmålet 2 Orthogonality: Variationerne i niveauforskellene for hver attribut skal være uafhængige på tværs af valgsættene Således skal multikollinaritet mellem niveauforskellene minimeres En høj grad af multikollinaritet gør det umuligt at opnå unikke parameterestimater, hvorfor der ikke kan drages nogen statistiske konklusioner med udgangspunkt i stikprøven Dette er grunden til, at ortogonalitet betragtes som det vigtigste aspekt af designets efficiens 3 Minimal overlap: Optimering af niveauforskellenes ortogonalitet indebærer, at scenarierne matches på en sådan måde, at et niveau ikke gentager sig selv i et valgsæt Med andre ord skal der være et minimalt overlap Ortogonalitet sikrer altså minimalt overlap 4 Utility balance: Et valgsæt er nyttebalanceret, når alternativernes nytter indenfor hvert valgsæt er approksimativt ens Kriteriet er vanskeligt at indarbejde i designet, da det kræver a priori viden om respondenternes præferencer, men ved hjælp af feks små pilot undersøgelser er det muligt at generere brugbare estimater I 24 Huber og Zwerina tager udgangspunkt i en ikke-lineær model, idet den afhængige variabel er diskret 55

57 praksis er det dog de tre første elementer, der ligger til grund for optimering af designefficiensen Opfyldelse af de 4 elementer sikrer, at designmatricens efficiens er maksimeret, når størrelsen på de estimerede parametres kovariansmatrice er minimeret Dette opnås i praksis med hjælp fra et computerprogram, feks SAS Designefficiensen - også kaldet D-efficiency - skal tages i betragtning ved sammensætning af alternativer i valgsæt og eventuel opdeling af valgsættene i blokke Udover de mere teknisk betonede problemstillinger i designprocessen, er det ifølge Louviere et al (2000, 101) også nødvendigt at forholde sig til følgende: Identifikation af nyttefunktionen: Teoretiske overvejelser om, hvorvidt nyttefunktionens form er passende Synes antagelsen om feks en lineær, additiv funktion korrekt? Præcision: Når præcisionen på estimaterne forbedres, mindskes usikkerheden (konfidensintervallerne) med større statistisk efficiens til følge Dette skal naturligvis tilstræbes Markedsrealisme: DCE skal så vidt som muligt afspejle det virkelige marked Kognitiv kompleksitet: Pilotundersøgelser kan afsløre, om eksperimentets kompleksitet og sværhedsgrad er uhensigtsmæssig stor Det er bla overvejelser vedrørende realisme og kompleksitet, der lægger til grund for diskussionen om valg af attributter og attributniveauer, som beskrevet i afsnit Design Hidtil har vi kaldt undersøgelsens eksperimentelle design et alternativspecifikt design Det er det også, men den helt præcise betegnelse er et main effects fractional factorial block design med alternativspecifik variation Main effects fordi der ikke tages højde for eventuelle interaktionseffekter imellem attributterne Fractional factorial fordi kun en del (36) af de mulige kombinationer benyttes, og block fordi de 36 valgte kombinationer (valgsæt) opdeles i tre lige store blokke med 12 valgsæt i hver På kort form kan der henvises til designet som et: ( ) ( )/2/36 design, dvs et design med 2 4 attributter med hhv 3, 2, 2 og 6 niveauer, to valg-alternativer og 36 valgsæt I afsnit 32 blev det anført, at der var valgt fem attributter Det er også rigtigt, men i relation til optimalt eksperimentelt design skal de fem attributter opfattes som 8 attributter, da de tre attributter, der er fælles for pen og inhalator alternativerne, skal optimeres særskilt for 56

58 alternativerne Det skyldes, at niveauerne i alternativerne for disse attributter kan variere hver for sig Dermed optimeres designet med i alt 8 ( ) attributter Optimalt design De 36 valgsæt er udvalgt ved hjælp af SAS, som beskrevet nedenfor, med udgangspunkt i de ( ) ( ) = mulige valgsæt, som er defineret i designet Der findes flere forskellige softwarepakker, som giver mulighed for beregning af optimale eksperimentelle design, i dette tilfælde benyttes SAS Mere specifikt tages der udgangspunkt i SAS-makroen %MktEx, der er én blandt flere forskellige procedurer til beregning af optimalt design i SAS Den benyttede SAS-kode er gengivet i boks 31 Boks 31 Optimalt eksperimentelt design, SAS-kode /* D-optimal design with blocking */ %MktRuns ( ); /* Result: needs 36 choice sets */ /* (3 blocks of 12 choice sets) */ %MktEx ( , n=36, seed=2000, outr=design); %MktEval; %MktBlock (data=design, nblocks=3, out=blockdesign, seed=2000); De benyttede SAS-makroer er dokumenteret i Kuhfeld (2005, ) %MktRuns benyttes først til at bestemme det optimale antal valgsæt for et design med 8 attributter og det nævnte antal attributniveauer for hver attribut I dette tilfælde anbefales et design med 36 valgsæt (output vises ikke) Oplysningen om, at der skal dannes 36 valgsæt, angives dernæst som parameter i %MktEx, sammen med oplysninger om attributter og niveauer, hvorefter det optimale design beregnes (det D-optimale design) Endelig dannes output til evaluering af level balance, ortogonalitet og minimalt overlap med %MktEval, og til sidst opdeles de 36 valgsæt i tre blokke med %MktBlock Output fra proceduren gengives ikke her Det bemærkes blot, at der ikke er nogen problemer mht level balance, ortogonalitet og minimalt overlap i det valgte design Der er ikke taget højde for utility balance i designet Der er delte meninger om, hvorvidt der skal tages højde for dette element i designet, men praksis synes at være ikke at foretage a priori vurderinger af attributternes nytteniveau Når der ikke er taget højde for utility balance, svarer det til, at nytteniveauerne for alle attributter initialt tildeles den samme værdi, nemlig værdien 0 Den beskrevne procedure resulterer i det design, som er gengivet i tabel 33 57

59 Tabel 33 Undersøgelsens eksperimentelle design, inkl kodning af attributter Pen Inhalator # Skema Valgsæt Størrelse Dagbog Blodsukker Egenbetaling Størrelse Dagbog Hoste Egenbetaling (P1) (P2) (P3) (P4) (I1) (I2) (I3) (I4) Anm: Variabelnavne, som benyttes i forbindelse med kodningen af attributterne, er angivet i parentes under attributnavnet Af tabellen ses det nu, hvorfor der som nævnt dannes tre spørgeskemaversioner: Der dannes én version for hver blok i designet (kolonnen skema i tabellen) Den enkelte respondent svarer således ikke på alle 36 valgsæt, men blot 12 valgsæt For at sikre den bedst mulige efficiens skal der udsendes (og besvares) det samme antal af de tre skemaversioner Kodningen af attributterne for hvert enkelt valgsæt er også gengivet i tabel 33 Størrelse og egenbetaling kodes med absolutte værdier i hhv gram og danske kroner, mens de dikotome variable effektkodes (1 = den beskrevne egenskab er til stede i det pågældende alternativ i det pågældende valgsæt; -1 = den beskrevne egenskab er ikke til stede) Datalayout og kodning i det datasæt, som benyttes til analyse, herunder kodningen af attributter, er beskrevet i afsnit 44 Her forklares det også, hvorfor der benyttes effektkodning og ikke almindelig dummykodning 58

60 34 Spørgeskema og dataindsamling Det fjerde stadium i designprocessen omhandler konstruktion af spørgeskemaet samt selve dataindsamlingen Version 1 af spørgeskemaet er vedlagt i bilag B3 Endvidere præsenteres enkelte uddrag af skemaet i det følgende De tre skemaversioner er nøjagtigt ens bortset fra, at attributkombinationerne i de 12 DCE valgsæt, som er inkluderet i hvert spørgeskema, varierer fra skema til skema (spm 32-43) Attributkombinationerne kan ses i tabel 33, hvorfor det er besluttet ikke at gengive alle 36 valgsæt i bilag Valgsæt i spørgeskema version 1 svarer således til de rækker i tabel 33, hvor skema er lig 1 De tre spørgeskemaer kan dog ses i deres fulde længde på forfatternes hjemmeside (se afsnit 04) I det følgende gives først en gennemgang af nogle generelle overvejelser vedrørende dataindsamling og design af spørgeskema, herunder en beskrivelse af skemaets overordnede layout Dernæst gennemgås vigtige metodiske overvejelser i relation til indarbejdelse af DCE spørgsmålene i designet, og afslutningsvis beskrives erfaringer fra pre-pilot og pilotundersøgelsen, som har medført væsentlige ændringer i spørgeskemadesignet 341 Dataindsamlingsmetode Samarbejdet med Novo har gjort det muligt at gennemføre hovedundersøgelsen som en postbaseret spørgeskemaundersøgelse med en tilfredsstillende stikprøvestørrelse, så denne undersøgelsesform har været udgangspunktet igennem hele processen Spørgeskemaer er da også den mest udbredte dataindsamlingsmetode i forbindelse med DCE, da det er nødvendigt at have en stikprøve af en vis størrelse (100 besvarelser er nok minimum, hvis der skal kunne drages fornuftige konklusioner af discrete choice analyserne) Omkostningerne ved postbaserede spørgeskemaer er små, relativt til andre typer indsamling, da der bruges færre mandetimer på denne type undersøgelse Dertil kommer, at respondenterne selv kan bestemme, hvornår de svarer på spørgsmålene Metoden er dog forbundet med en lav svarprocent, relativt til andre metoder, hvilket vi en overgang også frygtede var tilfældet for denne undersøgelse særligt i relation til type 2 diabetikerne (se afsnit 51 vedrørende svarprocenter) Personlige (face-to-face) interviews og telefoninterviews (hvor respondenten har fået tilsendt spørgsmålene på forhånd) kan også anvendes, men for førstnævnte gælder det, at det vil være uforholdsmæssigt dyrt at interviewe det antal respondenter, som kræves i DCE For telefoninterviews gælder det, at det kan være besværligt, måske endda umuligt, at forklare opbygningen af og idéen med de gentagne valgsæt, med mindre respondenten har fået tilsendt spørgsmålene på forhånd 59

61 Derudover er det også muligt at indsamle data ved hjælp af computerbaserede interviews over Internettet og via Det er en oplagt mulighed, som nok vil vinde mere og mere indpas i forbindelse med DCE, da det giver en unik mulighed for visualisering af valgsituationen og andre DCE aspekter ved hjælp af forskellige former for computergrafik, evt også animation og lyd Denne type indsamling har ikke været aktuel for nærværende undersøgelse Desuden vurderes det, at selvom dataindsamling godt kan foregå via Internettet, så bør stikprøverekruttering stadig ske på normal vis, således at der ikke opstår en alvorlig bias i forbindelse med stikprøveudvælgelsen Målgruppe Målgruppen for undersøgelsen blev også hurtigt lagt fast Det gav ikke mening blot at undersøge nuværende insulinbrugeres præferencer for udstyr til administration af insulin Det er lige så vigtigt at undersøge kommende insulinbrugeres præferencer, dvs de type 2 diabetikere, som endnu ikke har behov for insulin, men som med stor sandsynlig får behov for det på et tidspunkt i løbet af deres liv Tællingsenheden (og følgelig også populationen) er derfor i nærværende undersøgelse givet som (voksne) danske diabetikere Der skelnes således ikke mellem type 1 og type 2 diabetikere eller mellem type 2 diabetikere, som benytter/ikke benytter insulin Årsagen til, at tællingsenheden defineres som voksne diabetikere, er, at det på forhånd er bestemt, at inhaleret insulin ikke tilbydes til børn, da administration af inhaleret insulin kræver koncentration og en god dyb indånding (pers com Torsten Christensen, Novo) Det er således vurderet, at insulinpen giver den bedste doseringssikkerhed for børn En af hypoteserne i forbindelse med undersøgelsen er, at type 2 diabetikere generelt har en større betalingsvillighed for inhaleret insulin, især gruppen af ikke-insulinbrugere Det har derfor været vigtigt at få en acceptabel andel type 2 diabetikere Alligevel blev det fundet nødvendigt at oversample type 1 diabetikerne i undersøgelsen, da der findes relativt få type 1 diabetikere i stikprøve-populationen, jf afsnit 121 Som nævnt (afsnit 31) har dette dog givet anledning til problemer, da type 1 diabetikerne i første omgang så ud til at have en højere svarprocent, sammenlignet med type 2 Som nævnt blev problemet løst ved udsendelse af en ekstra rykkerskrivelse, specifikt til type 2 diabetikerne 25 Det kan stadig ikke forventes, alle har lige adgang til Internettet Ved internet-undersøgelsen vil man desuden få en overrepræsentation af Tordenskjolds soldater, og disse er ikke nødvendigvis de bedste repræsentanter for den valgte stikprøve-population 60

62 343 Spørgeskemadesign Spørgeskemaet fylder i alt 18 A4-sider, hvilket er noget nær den maksimale længde for et spørgeskema, hvis validiteten også skal være acceptabel i den sidste tredjedel af spørgeskemaet Skemaet indeholder i alt 49 spørgsmål, hvoraf nogle har to eller flere underspørgsmål Strukturen i spørgeskemaet er som følger: Efter forside og instruktion på de to første sider følger fire sider med almindelige survey-spørgsmål (herefter første del) Herefter følger DCE delen, som består af en side med beskrivelse af alternativerne (pen og inhalator), en side med instruktion i besvarelse af DCE spørgsmålene, en side med simple valgspørgsmål og endelig seks sider med hver to DCE valgsæt Sidste del af skemaet (de sidste tre sider) består af opfølgning på DCE delen samt af tre valgspørgsmål Foruden de 12 valgspørgsmål i forbindelse med DCE, er der også medtaget yderligere fem valgspørgsmål: Tre dichotomous choice spørgsmål (spm 28-30) og to payment card spørgsmål (spm 46, 47) Dertil kommer et alternativt valgspørgsmål, hvor rygere bliver spurgt, om de er parate til at opgive rygningen for at kunne benytte inhalator (spm 48) Beskrivelsen af disse inddrages i den efterfølgende diskussion vedrørende indarbejdelse af DCE i spørgeskemaet Introduktion til spørgeskemaet Inden respondenterne tager stilling til spørgsmålene i spørgeskemaet, herunder især valgsættene i DCE, er det vigtigt, at de forstår opgaven Således er et introduktionsbrev eller et forord nærmest obligatorisk Det er især vigtigt at specificere målene med undersøgelsen, herunder årsagerne til valget af respondenter og betydningen af deres deltagelse Derudover bør introduktionen også indeholde et estimat på det tidsforbrug, som opgaven kræver, samt en fortrolighedsgaranti og retningslinier for udfyldelse og returnering af spørgeskemaet En kopi af følgebrevet til respondenterne i den endelige undersøgelse er vedlagt i bilag B2 I følgebrevet beskrives det, hvem vi er, hvad formålet med undersøgelsen er, og ikke mindst hvorfor og hvordan respondenten er blevet udvalgt Desuden er det anført, at respondenterne sikres fuld anonymitet i forbindelse med undersøgelsen Da følgebrevet er udsendt på GfK s brevpapir præciseres deres rolle i undersøgelsen også Endelig er der i instruktionen på anden side i spørgeskemaet angivet, at udfyldelse af skemaet vil tage ca minutter Almindelige survey-spørgsmål Selvom fokus i undersøgelsen er DCE, er det hensigtsmæssigt at inkludere spørgsmål vedrørende socio-demografiske variable (køn, alder, uddannelse, indkomst mv) i spørge- 61

63 skemaet Foruden beskrivelse af stikprøven kan disse spørgsmål også bruges til at undersøge, om forskellige undergrupper af respondenter svarer forskelligt, dvs at teste for heterogenitet i præferencer (jf afsnit 221) De socio-demografiske spørgsmål er placeret i første del af spørgeskemaet, hvilket er kutyme De er forholdsvis lette at svare på og giver således respondenterne en blød start på besvarelsen af spørgeskemaet Derudover er der taget en del diabetes- og insulinrelaterede spørgsmål med i spørgeskemaet (også i første del) Oplysninger om diabetestype og brug af insulin er selvfølgelig med, da disse bruges til at teste hypoteserne vedrørende forskellig betalingsvillighed for undergrupper af stikprøven Desuden er spørgsmål om blodsukkermåling, insulindosering, følgesygdomme og egenbetaling for diabetesmedicin taget med i skemaet 344 Spørgeskemadesign, DCE Introduktion til DCE spørgsmålene Udover den almindelige instruktion i starten af spørgeskemaet, skal der også gives en introduktion til selve DCE øvelsen samt en beskrivelse af alternativer og attributter For en del respondenter vil det være første gang, de bliver stillet overfor denne type spørgsmål Det kan i den forbindelse være hensigtsmæssigt at inkludere et eksempel på et valgsæt i introduktionen for at præsentere teknikken for respondenterne, inden de påbegynder den egentlige øvelse I modsat fald kan der være et validitetsproblem med de først besvarede valgsæt, idet disse fungerer som opvarmning, førend respondenterne er inde i fremgangsmåden Det potentielle validitetsproblem kan naturligvis også løses ved at ekskludere de første valgsæt i spørgeskemaet, men dette vil indebære, at et tilsvarende antal valgsæt tilføjes for ikke at miste noget information En introducerende tekst til DCE placerer valgene i en sammenhæng ud fra hvilken, respondenterne skal træffe deres beslutninger (framing) Bla bør respondenterne informeres om eventuelle substituerende og komplementære goder samt om godets finansiering (payment vehicle) De bør ligeledes mindes om deres budgetbegrænsning samt alternative måder, hvorpå de økonomiske ressourcer kan bruges (Bennett og Blamey 2001, 51) Det er vigtigt, at spørgeskemaets udformning giver respondenterne et indtryk af, at deres svar vil blive brugt i beslutningsøjemed Respondenternes svar vil kun være rationelle i økonomisk-teoretisk henseende, hvis de føler, at undersøgelsen er consequential forstået på den måde, at den kan påvirke et udfald, som de bekymrer sig om (Boardman et al 2001, 377) Endvidere skal respondenterne forstå, at de vil blive påtvunget betaling, såfremt scenariet realiseres Hvis respondenterne føler, at de aldrig vil blive opkrævet den skat eller det gebyr, der er opgivet i valgscenariet, kan de have incitament til at opføre sig strategisk Dvs at de 62

64 misinformerer om deres sande præferencer for at opnå et udfald, der er bedre end det resultat, som afsløring af deres sande præferencer ville føre til 26 Studier viser således, at den faktiske WTP, dvs den WTP, der afspejler det realøkonomiske engagement, er forskellig fra og ofte signifikant lavere end den hypotetiske WTP (Boardman et al 2001, 373) For at håndtere dette problem benytter forskere sig især af to metoder Den første er certainty calibration, hvor respondenten, efter at have besvaret et valgsæt, feks bliver spurgt: På en skala fra 1 til 10, hvor sikker er du på dit svar? Den anden er cheap talk, hvor respondenterne gøres opmærksom på forskellen mellem hypotetisk og faktisk WTP og i den forbindelse bedes om at tænke sig ekstra grundigt om i forbindelse med besvarelsen af valgspørgsmålene Mange af ovenstående metoder er benyttet i forbindelse med udarbejdelsen af spørgeskemaet Efter de indledende socio-demografiske og diabetesrelaterede spørgsmål gives en beskrivelse af de to alternativer: pen og inhalator Et billede af en NovoLog FlexPen samt et billede af en prototype af Novo s kommende inhalator er gengivet forbindelse med beskrivelsen, ligesom beskrivelsen af inhalator også delvist tager udgangspunkt i Novo s kommende inhalator Det skal understreges, at alternativerne i valgsættene skal opfattes som generiske produkter, selvom beskrivelsen tager udgangspunkt i Novo-produkter Der er ikke vist et decideret eksempel på udfyldelse af et valgsæt i forbindelse med instruktionen, men der er gjort meget ud af at understrege, at der opstilles en række hypotetiske scenarier 27, hvor de (respondenterne) bedes vælge imellem pen og inhalator Desuden benyttes cheap talk i instruktionen I forbindelse med cheap talk nævnes det, at folk har en tendens til at overdrive, hvor meget de er villige til at betales, og at respondenterne bedes overveje nøje, hvad de rent faktisk ville gøre, hvis de stod i den situation, at de skulle vælge mellem pen og inhalator Sidste del af instruktionen består i beskrivelse af de fem attributter, som indgår i valgsættene I den forbindelse skal især nævnes, at der gøres meget for at understrege, at egenbetalingsattributten skal forstås som det beløb, respondenten selv skal betale for behandling pr måned, efter eventuelle tilskud Instruktionen er gengivet i boks 32 Umiddelbart inden valgsættene præsenteres for respondenterne, bedes de besvare tre indledende valgspørgsmål (spm 28-30) samt rangordne attributterne fra den attribut, som de finder vigtigst, hvis de skulle vælge mellem pen og inhalator, til den attribut, som de finder mindst vigtig (spm 31) Selvom der er tale om diskrete valg - og ikke DCE valgsæt, vurderes 26 Der tales i disse tilfælde om non-commitment bias, der dog er af mindre betydning i behavioristiske valgmodeller, hvor målet er at studere trade-off beslutninger frem for WTP (Bennett & Blamey 2001, 53) 27 For at holde instruktionen i hverdagssprog bruges betegnelsen tænkte situationer i stedet for hypotetiske scenarier i selve instruktionen 63

65 det, at disse spørgsmål er med til at lære respondenterne, hvordan valgspørgsmål skal besvares, således at validitetsproblemer i de første DCE valgsæt minimeres Boks 32 Spørgeskema: instruktion til DCE spørgsmål Instruktion i besvarelse af de resterende spørgsmål I det følgende vil vi bede dig besvare en række spørgsmål, hvor du skal vælge mellem at bruge inhalator eller pen (eller ingen af de to) Der er tale om tænkte situationer Tidligere erfaringer viser, at folk ikke altid svarer reelt på sådanne tænkte spørgsmål Det vil sige, at deres svar ikke altid afspejler, hvad de egentlig ville gøre i den virkelige situation Det har især vist sig, at folk har tendens til at overdrive, hvor meget de er villige til at betale Vi vil derfor bede dig overveje spørgsmålene nøje og tænke grundigt over, hvad du ville gøre, hvis du faktisk stod i den situation, at du skulle vælge mellem at benytte inhalator eller pen Det er vigtigt, at du prøver at besvare alle spørgsmål Fem egenskaber bruges til at beskrive pen og inhalator i hvert spørgsmål: Størrelsen på apparatet Størrelsen på pen eller inhalator Størrelsen måles som vægten på apparatet, målt i gram Vægt og rumfang følges nogenlunde ad, så feks 250 gram svarer til 250 kubikcentimeter I de følgende spørgsmål varieres størrelse imellem 30 og 600 gram Dagbogsfunktion Angiver om der er indbygget dagbogsfunktion i pen eller inhalator Dagbogsfunktionen holder styr på, hvor meget insulin du indtager Dagbogen kan overføres til computer, så du kan holde styr på dit insulin-indtag I de følgende spørgsmål er det ikke alle penne og inhalatorer, der har dagbogsfunktion indbygget Integreret blodsukkermåler (pen) Angiver om der er indbygget blodsukkermåler i pen En blodsukkermåler vil kunne måle dit blodsukker, inden du indtager insulinen med pennen I de følgende spørgsmål skiftes der mellem situationer, hvor blodsukkermåler er indbygget, og situationer, hvor den ikke er indbygget i pennen Hoste (inhalator) Indtagelse af insulin ved brug af inhalator kan resultere i en mild, kortvarig hoste for ca 1 ud af 20 personer (5%) I nogle af de følgende spørgsmål vil vi angive, at mild hoste kan forekomme, mens hoste i andre spørgsmål ikke forekommer Egenbetaling pr måned For hvert alternativ (pen eller inhalator) angives en pris pr måned Prisen svarer til det beløb, som du selv skal betale for din behandling Den pris, som angives, er altså prisen efter eventuelle tilskud Kilde: spørgeskema, bilag B3 Endelig skal det nævnes, at der også er indarbejdet kalibrering i skemaet (spm 44, 45), hvor der dels spørges til, hvor svært respondenten havde ved at besvare valgsættene, og dels, hvor sikre respondenterne er på besvarelsen af valgsættene Optimalt set burde respondenterne 64

66 have haft mulighed for at besvare disse spørgsmål for hvert af de 12 valgsæt (hver for sig), men i praksis er det oftest for omfattende at indarbejde dette i designet Inkludering af opt-out alternativ i valgsæt For nærværende undersøgelse gælder det, at der er indarbejdet et opt-out alternativ i alle DCE valgsæt Og det er netop en af de første ting, som bør overvejes, i forbindelse med design af DCE spørgsmålene: Skal respondenterne have muligheden for ikke at vælge nogen af alternativerne i valgsættet, dvs inklusion af et opt-out alternativ 28? Et sådant fast alternativ er især relevant i situationer, hvor det er urealistisk at antage, at det analyserede gode med sikkerhed vil blive brugt, jf den tidligere diskussion af velfærdsmål i afsnit 26 Uden en opt-out mulighed kan respondenterne blive tvunget til at vælge mellem alternativer, som de ikke anser som værende vigtige Dette kan føre til bias eller misfortolkning af de estimerede koefficienter samt non-participation, dvs at respondenterne undlader at foretage valg mellem de opstillede alternativer Det er specielt ved stillingtagen til nye, dyre og risikofyldte alternativer, at sandsynligheden for, at mange respondenter vil undlade at svare, bliver høj For at afspejle det rigtige marked, hvor non-demand forekommer, er en opt-out mulighed således nødvendig Desuden gælder det, at sandsynligheden for, at respondenterne ikke vælger noget, kan være lige så relevant at modellere, som sandsynligheden for, at respondenterne vælger det ene frem for det andet Inkluderingen af et opt-out alternativ i valgsættet gør det muligt at estimere værdien af at vælge et alternativ sammenlignet med ikke at gøre noget Uden denne mulighed er det eneste, der kan estimeres, velfærdsændringen mellem to alternativer Velfærdsmålet vil generelt blive biased i opadgående retning ved udelukkelse af et opt-out alternativ i valgsættet Det skyldes, at værdien i den estimerede likelihood-funktion for non-choosers er forskellig fra nul (likelihood-funktionen beskrives i afsnit 424) Inkluderingen af et opt-out alternativ er dog ikke uden problemer Hvis respondenten oplever valghandlingen som kognitiv belastende, kan det synes oplagt at forsimple processen ved altid at vælge opt-out alternativet, dvs anvendelse af heuristik Endvidere kan indstillingen, man ved, hvad man har, men ikke, hvad man får, få respondenterne til at vælge opt-out (status quo) alternativet på trods af, at dette valg synes irrationelt (se også afsnit 351) Hvis opt-out alternativet indgår i et binært design, hvor det opstillede alternativ enten accepteres eller afvises, er det nødvendigt at være sikker på, at respondenterne vil foretage trade-off og ikke altid vælge det ene frem for det andet I modsat fald vil eksperimentet ikke tilvejebringe 28 Også kaldet non-participating- eller status quo alternative 65

67 nogen information om den relative vægtning af alternativerne Dette er ikke et problem i nærværende undersøgelse, hvor der er defineret to alternativer plus status-quo alternativet Endelig bør det nævnes, at det kan det være svært for både forskere og respondenter at gennemskue, hvilke niveauer, der er forbundet med opt-out alternativet Dette er ikke mindst tilfældet, når udgangssituation for respondenterne er forskellig Det er i nærværende undersøgelse muligt at identificere og estimere et status-quo alternativ for undergruppen af respondenter, som bruger insulinpen, da hverken dagbogsfunktion eller blodsukkermåler er inkluderet i de penne, som er på markedet i dag Og hvis der antages en fast størrelse (vægt) for pennen Ikke-insulinbrugere (og pumpebrugere) kan også identificeres, men det er ikke muligt at beregne det nytteniveau, som er forbundet med opt-out for disse respondenter En anden design-mulighed er at give respondenterne en mulighed for at være indifferente mellem de opstillede alternativer En indifferensmulighed medfører samme problemer som opt-out alternativet, men hertil kommer spørgsmålet om den økonometriske håndtering af svarene samt respondenternes fortolkning Indifferens har ikke været på tale i forbindelse med undersøgelsen Uanset hensigten med det faste alternativ er det nødvendig at være opmærksom på, at et fast alternativ i valgsættet altid kræver inklusion af en alternativspecifik konstant i analysen Endvidere skal de kategoriske attributter effektkodes (afsnit 44) I forbindelse med design af nærværende undersøgelse overvejede vi meget, hvorvidt vi skulle medtage en opt-out mulighed eller ej Hvis en diabetiker har brug for insulin, mener vi ikke, at det virker logisk at fravælge et behandlingstilbud På den anden side findes der andre behandlingsmuligheder end lige netop insulin administreret med pen og inhalator, om end disse alternativer kun tilbydes ganske få diabetikere Bla derfor, og også fordi ikke alle respondenter i undersøgelsen bruger insulin, fandt vi det korrekt at medtage et opt-out alternativ i designet Inkludering af validitetstest Som tidligere nævnt anvender respondenter ofte heuristik, når de skal håndtere kompleks information Spørgeskemaet kan konstrueres, så det er muligt at teste, hvorvidt respondenterne har forstået spørgsmålene og formået at afgive rationelle og konsistente besvarelser Bech et al (2004) tester i et DCE for konsistente besvarelser ved at medtage et valgsæt, hvor alle attributter for to alternativer er ens på nær én arbejdsgiver (offentlig eller privat) I slutningen af spørgeskemaet stilles et direkte spørgsmål om, hvor de studerende (responden- 66

68 terne) helst vil arbejde, og svaret skulle helst stemme overens med svaret i det pågældende valgsæt Efter samme simple princip kan der testes for rationalitet ved at inkludere et valgsæt, hvor et alternativ dominerer alle andre alternativer på alle attributter Hvis respondenterne ikke vælger det dominerende alternativ, har de (1) handlet irrationelt, (2) ikke forstået opgaven eller (3) simpelthen begået en fejl Er det ikke muligt at definere et dominerende alternativ kan to ens valgsæt inkluderes i spørgeskemaet Hvis respondenterne er rationelle, vil de svare ens i de to valgsæt Det er en antagelse i DCE er, at respondenterne er villige til at afveje karakteristika, samt at de ikke har leksikografiske præferencer (afsnit 22), dvs udelukkende fokuserer på den vigtigste attribut uden at tage hensyn til de andre attributter Denne antagelse er nødvendig for, at det giver mening at beregne marginale substitutionsrater, og således bør respondenternes svarmønster altid studeres Dominante præferencer betyder, at respondenterne systematisk vælger mellem alternativerne ved at vælge alternativet med den bedste værdi på en given attribut Dominante attributter defineres i den forbindelse som attributter, der bestemmer respondenternes valg af alternativ uanset de afvejninger, som valget i øvrigt indebærer Hvis respondenter udviser dominerende præferencer, kan det enten skyldes, at de har leksikografiske præferencer, eller at de netop forsøger at finde tommelfingerregler for at lette beslutningsprocessen, dvs de bruger heuristik Nogen gange kan det, der tilsyneladende er dominerende præferencer, i stedet være et symptom på, at villigheden til at substituere ét karakteristikum for et andet ikke er blevet udfordret nok Et eksempel: måske vælges altid alternativet med færrest arbejdstimer, hvis lønnen ikke er stor nok til at kompensere tilstrækkeligt for den øgede arbejdstid Dette er dog også et problem, idet de estimerede marginale substitutionsrater da ikke giver et præcist billede af individets villighed til at substituere Årsager til dominante præferencer kan undersøges ved hjælp af opfølgende spørgsmål De opfølgende spørgsmål inkluderes i spørgeskemaet umiddelbart efter valgsættene og har til formål at give information om, hvorfor respondenterne har svaret, som de gør Således kan opfølgende spørgsmål også afsløre bla payment vehicle protester samt perfect embedding (Bennett og Blamey 2001, 56) Sidstnævnte er udtryk for, at respondenternes betalingsvilje afspejler etiske og moralske overvejelser, frem for deres faktiske værdisætning af godet Der er ikke inkluderet nogen egentlige validitetstests i designet, men valgsættene følges op af to payment cards (spm 46, 47) Disse er ikke designet specifikt med henblik på kontrol; de bruges til at udlede respondenternes betalingsvilje for dagbogsfunktion, indbygget i inhalator 67

69 Det er dog muligt at sammenligne payment card estimaterne med tilsvarende estimater fra DCE Selvom der ikke er inkluderet validitetstests, er det stadig muligt at undersøge feks dominerende præferencer ad-hoc, selvom det ikke er muligt konkludere med 100 pct sikkerhed ud fra sådanne undersøgelser Som erfaringerne fra pilotundersøgelsen viser (afsnit 324), er det mest relevant at være opmærksom på evt dominerende præference for (lille) egenbetaling Udover dominerende præference for en given attribut, kan der også være tale om, at respondenterne har en a priori præference for et af de to alternativer Det er således ikke usandsynligt, at (langtids)brugere af pen har en eller anden grad af præference for denne Det vil være tilfældet, hvis respondenten (stort set) udelukkende har valgt pen-alternativet, især i de valgsæt, der klart favoriserer inhalator 345 Erfaringer fra pre-pilot undersøgelse Før spørgeskemaet præsenteres for respondenterne, kan det afprøves på en fokusgruppe bestående af personer fra den relevante population Dette kan give forskeren en idé om, hvorvidt spørgeskemaet fungerer efter hensigten (forstår respondenterne opgaven, er den for kompleks osv?) Fokusgrupper kan også bruges tidligere i designprocessen De kan bidrage med vigtig information om bla relevante attributter og deres niveauer, således at kritiske fejl opdages i tide Som nævnt er fokusgruppeinterviews i forbindelse med denne undersøgelse primært brugt til identifikation af relevante attributter og niveauer og således ikke til test af spørgeskemaet Spørgeskemaet er i stedet blevet testet ad to omgange: Først i en lille pre-pilot undersøgelse og dernæst i en decideret pilotundersøgelse Pre-pilot undersøgelsen blev gennemført i perioden 6 18 september 2006 og havde primært til formål at få afklaret forståelsen af spørgsmålene og spørgeskemaets grafiske design Spørgeskemaet blev sendt pr som pdf-dokument til familie, venner og bekendte (ca 30 personer, hvoraf 12 svarede tilbage) Det hovedlayout, som ses i det endelige spørgeskema, var på plads allerede på dette tidspunkt, så det var ikke et halvfærdigt skema, der blev sendt ud Respondenterne blev bedt om enten at læse skemaet igennem og kommentere det eller at printe det ud og forsøge at besvare det og derefter kommentere på det Instruktionen var skrevet direkte i en og indeholdt udover instruktionen også en række spørgsmål vedrørende forståelse af spørgeskemaet Disse bliver ikke uddybet her, men en er gengivet i bilag B1 68

70 Udover et par stave- og grammatikfejl blev der også fundet nogle opsætnings- og forståelsesproblemer I det følgende listes de væsentligste ændringer som følge af pre-pilot undersøgelsen (med henvisning til spørgsmålsnummer i det endelige spørgeskema): Husstandens medicinudgifter (spm 23): Det blev præciseret, at der er tale om receptpligtig medicin Rangordning (spm 31): Enkelte respondenter havde problemer med rangordning af attributter Det skyldes, at ordet egenskab forbindes med noget positivt, og det er hoste jo feks ikke Problemet blev løst ved at angive retning på attributterne og beskrive dem således, at der er tale om en (forventet) nyttestigning, feks ingen hoste eller mindre størrelse på apparatet Desuden blev rækkefølgen af attributter ændret, så den er den samme som i valgsættene Mild, forbigående hoste blev opfattet mere subjektivt end forventet Derfor blev det præciseret i beskrivelsen af hosteattributten, at hoste kan forekomme for ca 1 ud af 20 personer (5 pct) Layout for valgsæt En af de absolut væsentligste ændringer som følge af pre-pilot undersøgelsen er, at layoutet for valgsættene blev mere enkelt og overskueligt En af pre-pilot respondenterne mente, at opstillingen af valgsættene gjorde det svært at se, hvilke niveauer, der blev ændret fra valg til valg Respondenten foreslog i stedet en alternativ opstilling, hvor attributbeskrivelsen står i forspalten, mens kun niveauet står listet for hvert alternativ Dette layout er benyttet i det endelige spørgeskema Det bemærkes også, at teksten til opt-out alternativet er ændret fra ingen af delene til ingen af de to, samt at teksten sæt kryds i et af nedenstående afkrydsningsfelter er tilføjet før hvert valgsæt Valgsæt før og efter ændringen kan ses i boks 33 og 34 69

71 Boks 33 Valgsæt 1, skemaversion 1 fra pre-pilotundersøgelsen 30 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? Pen Inhalator Størrelse Dagbogsfunktion Egenbetaling Integreret blodsukkermåler 50 gram (eller kubikcentimeter) Dagbogsfunktion indbygget i pen 1200 kr pr måned (ud af egen lomme) Blodsukkermåler indbygget i pen Hoste gram (eller kubikcentimeter) Dagbogsfunktion indbygget i inhalator 250 kr pr måned (ud af egen lomme) - Mild, kortvarig hoste ifm indtagelse Jeg vælger pen Jeg vælger inhalator Ingen af delene Boks 34 Valgsæt 1, skemaversion 1 fra den endelige undersøgelse 32 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm Indtagelse Egenbetaling, kr pr måned 30 gram 200 gram Ja Ja Ja Nej Nej Ja 1500 kr 150 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 70

72 346 Erfaringer fra pilotundersøgelsen Layout- og forståelsesproblemer blev stort set alle fanget i pre-pilot undersøgelsen Pilotundersøgelsen bestod som nævnt tidligere af besvarelser fra 20 diabetikere, og formålet med pilotundersøgelsen var således heller ikke at fange layout- og forståelsesproblemer, men derimod at teste, hvorvidt attributter og attributniveauer i DCE delen af spørgeskemaet var specificeret korrekt Som beskrevet i afsnit 324 blev der foretaget en del rettelser af attributniveauer på baggrund af pilotundersøgelsen Disse gentages ikke her, men de vigtigste af de få, øvrige rettelser, som blev foretaget, er listet nedenfor: Følgesygdomme (spm 19): Nej-kategori blev tilføjet spørgsmålet Instruktion til DCE og beskrivelse af alternativerne blev rettet til og præciseret Valgspørgsmål (spm 28) blev tilføjet som nyt spørgsmål I spørgeskemaet til piloten var kun de nuværende valgspørgsmål 29 og 30 med, men det viste sig, at der var behov for et valgspørgsmål, hvor egenbetaling for pen og inhalator er ens Rangordning af attributter (spm 31): Teksten blev præciseret i håb om, at flere respondenter ville besvare spørgsmålet korrekt (rangordning skal være entydig; 1, 2, 3, 4, 5) Payment cards (spm 46, 47): o Beskrivelsen af den hypotetiske valgsituation blev præciseret og forskellene mellem spm 46 og 47 fremhævet o Det blev præciseret, at der også i forbindelse med payment cards er tale om tænkte situationer o De lukkede egenbetalingskategorier blev ændret, så de følger attributniveauerne for egenbetalingsattributten i DCE valgsættene (da disse også blev ændret) 35 Potentielle bias og validitetsproblemer I det følgende beskrives potentielle bias og validitetsproblemer i forbindelse med design og gennemførelse af en SP undersøgelse Egentlig er rækkefølgen lidt bagvendt, idet de problemer, som tages op i det følgende, er de samme, som vi indtil videre i dette afsnit har beskrevet, hvordan vi vil forsøge at gardere os imod Den følgende gennemgang er derfor i høj grad retrospektiv, idet det er de problemer, som vil opstå, hvis designet ikke er i orden, der beskrives i det følgende Det bemærkes, at der er tale om en beskrivelse af potentielle problemer for SP metoderne under ét, hvorfor nogle bias er mere udtalte i CVM end i DCE 71

73 351 Bias Mange af de problemer, som opstår i forbindelse med SP metoder, skyldes, at respondenterne skal forholde sig til en hypotetisk situation, der måske måske ikke vil finde sted engang i fremtiden Således kan der blandt andet være problemer med forståelse af samt kendskab til den givne problemstilling Denne type problemer kaldes hypotetiske og synes at være værst, når respondenterne ikke kan eller vil forbruge det aktuelle gode, dvs ofte i forbindelse med værdisætning af passive use Den hypotetiske bias, der opstår som følge af indholds- og forståelsesproblemer kan i vid udstrækning forhindres eller mindskes Blandt andet ved klar specificering af projektet og dets virkninger samt eksplicitte detaljer om måden, hvorpå projektet finansieres (payment vehicle) Derudover er det muligt at anvende visuelle virkemidler såsom fotografier, kort og diagrammer, eller en såkaldt quality ladder, hvor feks vandkvaliteten beskrives på forskellige trin Øverste trin kunne være; Vandet er så godt, at det kan drikkes, mens nederste trin lyder; Vandet er så forurenet, at der hverken findes plante- eller dyreliv Et relateret problem er, at det ikke er 100 pct sikkert, at respondenternes svar afspejler deres valg i en virkelig situation Som nævnt vil den hypotetiske WTP ofte være højere end den faktiske WTP, der afspejler realøkonomisk engagement Dette kan skyldes den såkaldte noncommitment bias, der opstår fordi, at respondenterne ikke er bundet af deres svar og således kan udtrykke en WTP, der ligger over det beløb, som de reelt kan betale Overvurdering af WTP for et givet gode eller projekt kan være tegn på en strategisk opførsel fra respondenternes side De misinformerer om deres sande præferencer for at opnå et udfald, der er bedre end det resultat, som afsløring af deres sande præferencer ville føre til Et studie har vist (Boardman et al 2001, 377), at det ikke altid er forventeligt, at respondenternes svar er i overensstemmelse med økonomisk teori Respondenternes svar vil kun være rationelle, hvis undersøgelsen vil få konsekvens for noget, der vedkommer dem For at tage højde for forskellen mellem den hypotetiske og faktiske WTP anvendes som nævnt i afsnit 344 uncertainty calibration og cheap talk En anden gruppe af mulige problemer i SP studier skyldes fejl, som respondenterne mere eller mindre ubevidst kan begå i beslutningstagnings- og bedømmelsesprocessen (judgement bias) Ikke alle disse problemer fører nødvendigvis til bias, dvs systematisk over- eller underværdisætning af det aktuelle gode, men de sætter spørgsmålstegn ved validitet og pålidelighed af den pågældende SP procedure Boardman et al (2001, ) diskuterer disse faldgruber: 72

74 Availability bias: Sandsynligheden for, at en begivenhed indtræffer, afhænger af, hvor let begivenheden kan erindres Her har mere iøjnefaldende begivenheder, såsom dem, der dækkes af medierne, et fortrin Representativeness eller conjunction bias: Sandsynligheden for en begivenhed baseres på dens plausibilitet Jo flere detaljer vedrørende begivenheden, der oplyses i bedømmelsesprocessen, jo mere sandsynlig opfattes begivenheden også selvom detaljerne er irrelevante Optimism bias: Objektive facts tilsidesættes, dvs respondenten har det med at ignorere objektive facts til fordel for feks subjektive holdninger Anchoring bias: Respondentens sandsynlighedsvurdering opdateres ikke fuldt ud i takt med, at ny information bliver tilgængelig Hindsight bias: Når en begivenhed er indtruffet, opfattes den som mere forudsigelig, end den rent faktisk var Status quo bias: Respondenten holder sig til status quo, uanset hvad Probability assessment bias: Små sandsynligheder overvurderes og store sandsynligheder undervurderes Mange afvigelser fra forventet nytteteori i SP studier kan forklares med kompleksiteten af den information, som respondenterne præsenteres for Når respondenten skal håndtere kompleks information, anvender vedkommende ofte forsimplende og ikke-nyttemaksimerende tommelfingerregler, dvs heuristik Hertil kommer prospektteoriens forklaring på afvigelser fra forventet nytteteori Ifølge prospektteorien vurderer individer tab og gevinster ud fra et referencepunkt frem for at fokusere på nettogevinsten Derudover er individet risikoavers overfor potentielle gevinster, dvs foretrækker en lille, men sikker gevinst frem for en større, gevinst, som kun indtræffer med en given sandsynlighed, når den forventede værdi af de to alternativer er den samme Individet er derimod risikosøgende i tabs-situationer og foretrækker således et større tab, som indtræffer med en given sandsynlighed, frem for et mindre, men sikkert tab, når den forventede værdi af de to alternativer er den samme Dette kan eventuelt forklares med en endowment effekt, dvs at individet har en større psykologisk tilknytning til ting, som det allerede besidder Da mange SP spørgsmål kan indkredses til at omhandle tab eller gevinster, kan prospektteorien have sin berettigelse Sammenfattende implicerer prospektteorien, at anchoring grundet individers fokus på referencepunkter altid er til stede i SP studier I forlængelse heraf kan nævnes starting point bias, der især er et problem i de såkaldte iterative bidding metoder (CVM metode), hvor respondenterne præsenteres for en initial startpris Undersøgelser har vist, at et interval, der starter ved 200 kr og vokser til 2000 kr, 73

75 giver en anderledes værdisætning end et interval, der starter ved 0 kr og vokser til 2000 kr selvom der ikke er bud mellem 0 og 200 kr (Boardman et al 2001, 375) Rækkefølgen, i hvilken spørgsmålene stilles, kan også have betydning for respondenternes værdisætning (order effects) 29 Hvis en undersøgelse feks omhandler bevarelse af sæler og hvaler, vil værdien af at bevare sæler være lavere end værdien af at bevare hvaler, når sælspørgsmålet kommer efter hvalspørgsmålet Dette kan skyldes substitutions- eller indkomsteffekten eller en kombination af begge Rationalet for sidstnævnte effekt er, at hvis respondenten har udtrykt en positiv WTP for det første gode i en række af goder, er der mindre at bruge på det andet gode i rækken Substitutionseffekten implicerer, at individer eksempelvis opfatter to miljøforbedringer som substitutter for hinanden, hvorfor værdien af det andet projekt falder Mens indkomsteffekten normalt anses for at være lille, kan substitutionseffekten være stor Det kan dog diskuteres, hvor stor en del af uoverensstemmelserne som følge af rækkefølgen på spørgsmålene, der kan forklares med substitutionseffekten Ifølge klassisk økonomisk teori vil mere (en stor mængde) af et givet gode medføre større nytte end mindre (en mindre mængde) af det samme gode Alligevel sker det, at respondenter ikke skelner mellem små og store mængder, når forskellige mængder er indlejret i hinanden Således tillægges 10 liv næsten samme værdi som 100 Der tales i disse situationer om indlejringseffekter (embedding effects), og fænomenet kan ikke tilskrives faldende marginalnytte alene En mulig forklaring kunne være, at respondenternes svar ikke er et udtryk for deres værdisætning, men snarere afspejler etiske og moralske overvejelser i forbindelse med den aktuelle problemstilling Det vurderes (Boardman et al 2001, 372), at netop embedding effects sammen med non-commitment bias, order effects og starting point bias er de mest alvorlige bedømmelsesproblemer i CV studier Som endnu en kilde til problemer kan nævnes respondenter, der tilkendegiver en WTP på 0 kr Problemets omfang afhænger af forklaringen på den manglende betalingsvillighed Dvs har det aktuelle gode virkelig ingen værdi for vedkommende, eller afspejler svaret netop en form for protest? Endelig kan nævnes non-response bias og sample selection bias Sidstnævnte er udtryk for, at det er bestemte persontyper, der indvilliger i at deltage i undersøgelsen, hvilket gør det umuligt at generalisere resultaterne 29 I DCE refererer ordering effects til effekten, som rækkefølgen har på de relative nyttevægte associeret med attributterne Dvs ordering effects kan observeres som en konsekvens af rækkefølgen, i hvilken spørgsmål, scenarier og attributter optræder i spørgeskemaet 74

76 Ovenstående diskussion har taget udgangspunkt i potentielle problemer med SP metoder generelt Nogle bias synes dog mindre problematiske i DCE end i CVM, feks protest bias og starting point bias, hvilket skyldes, at der i DCE ikke spørges direkte til betalingsvilligheden, men derimod udleder WTP indirekte på baggrund af respondenternes valgmønster 352 Validitet og reliabilitet Validitet og reliabilitet er vigtige begreber i alle undersøgelser Reliabilitet udtrykker i hvilken grad et måleinstrument indeholder variabelfejl, dvs hvor godt er selve måleinstrumentet? Hvis den samme størrelse (den samme teoretiske definition) måles på to forskellige tidspunkter med det samme instrument, så skal der opnås samme resultat; ellers er instrumentet (den operationelle definition) behæftet med variabelfejl Da socialvidenskaben primært anvender indirekte mål, forventes antallet af fejl at være større i forbindelse med måling af sociale variable (feks præferencer), set i forhold til måling af fysiske variable (Nachmias og Nachmias 1996, 171) Validitet belyser, hvorvidt det, som måles, er det, som rent faktisk skulle måles, dvs i hvilken grad influerer bias på estimaterne? Der skelnes ofte mellem tre former for validitet (Nachmias og Nachmias 170): Content validity: Her skelnes mellem face validity og sampling validity Førstnævnte er analytikerens subjektive vurdering af instrumentets egnethed, mens sidstnævnte omhandler, hvorvidt spørgsmål, indikatorer mv, der udgør instrumentet, i tilstrækkelig grad repræsenterer den pågældende variabel I relation til DCE vedrører content validity alle aspekter af designfasen: udformning af spørgsmål, valg af attributter og attributniveauer mv Således er bla fokusgrupper og pilotundersøgelse afgørende, hvis eksperimentets content validity skal forbedres Empirical validity: Opnås de forventede resultater ved brug af måleinstrumentet? Her kan sammenlignes med mål fra andre instrumenter Således er det muligt at sammenligne bla DCE estimater med estimater fra andre SP metoder Construct validity: Denne type validitet etableres ved at placere måleinstrumentet i en generel teoretisk ramme (feks økonomisk teori) for at bestemme, hvorvidt instrumentet er forbundet med de koncepter og teoretiske antagelser, som det anvender I det følgende gennemgås de forholdsregler, som vi har taget for at sikre den bedst mulige reliabilitet af de data, som er indsamlet i forbindelse med undersøgelse af diabetikeres præferencer for udstyr til administration af insulin 75

77 36 Fejlsøgning og kodning af rådata Som nævnt har GfK stået for trykning, udsendelse, rykning, modtagelse, indtastning og primær fejlsøgning af både pilotundersøgelsen og den endelige undersøgelse Forfatterne har gjort forarbejdet i form af design af undersøgelsen generelt og design og udarbejdelse af selve og spørgeskemaet med tilhørende kodebog og tastevejledning (bilag B3 og B4) 361 Fejlsøgning: indtastningsmaske og manuel gennemgang GfK oplyser, at de normalt benytter sig af indtastningsmaske, som er trykt direkte på spørgeskemaet, dvs at kodeværdierne for kategoriske variable fremgår af skemaet Det er naturligvis med til at mindske sandsynligheden for indtastningsfejl betragteligt Indtastningsmasken er ikke påtrykt spørgeskemaet i forbindelse med denne undersøgelse Det er dels for at undgå at ødelægge spørgeskemaets layout, men også fordi det blev vurderet, at spørgeskemaet var så overskueligt og logisk opbygget, at det var nok at have indtastningsmasken indbygget i indtastningssystemet Desuden har forfatterne haft mulighed for at foretage sekundær (manuel) fejlsøgning af data ved sammenligning af papirspørgeskemaerne med de rådata, som er leveret fra GfK I forbindelse med pilotundersøgelsen er der foretaget manuel gennemgang af samtlige skemaer (20 ud af 20 skemaer), mens der for den endelige undersøgelse er foretaget manuel gennemgang af en tilfældigt udvalgt stikprøve på ca 14 pct (45 ud af 315 skemaer) af de besvarede papirskemaer Resultaterne af den manuelle fejlsøgning gennemgås kort i det følgende 362 Fejl i rådata Pilotundersøgelsen Der var forholdsvis mange fejl i rådata fra pilotundersøgelsen, hvoraf den groveste var, at der var byttet om på spørgeskema version 1 og spørgeskema version 3 i indtastningen Hvis dette ikke var blevet opdaget, ville samtlige resultater fra DCE have været fejlbehæftede, da attributvariablene ikke er en del af rådata, men først tilføjes efterfølgende Således ville respondenternes valg i de enkelte valgsæt være blevet koblet sammen med forkerte attributniveauer (valgsæt fra skema 1 ville have fået attributniveauer for skema 3 og vice versa) Til alt held viste den manuelle gennemgang, at samtlige fejl var systematiske (som den ovenfor beskrevne, hvor alle skema 1 og 3 var byttet rundt) eller skyldtes misforståelser i forbindelse med, hvordan enkelte spørgsmål skulle kodes (feks variablene kvinde og gift og rygkvit, der ikke var kodet med udgangspunkt i den fremsendte kodebog) En oversigt over konstaterede fejl i pilotindtastningen er gengivet i bilag B5 For at undgå misforståelser i den endelige undersøgelse blev en egentlig tastevejledning tilføjet kodebogen efter pilot- 76

78 undersøgelsen, hvor feks det feks blev præciseret, hvornår der tastes 0 og hvornår der tastes ubesvaret i ratioskalerede variable Den endelige undersøgelse På trods af de forholdsvis alvorlige problemer med indtastningen af besvarelser til pilotundersøgelsen, var vi rimeligt forhåbningsfulde mht kvaliteten af indtastningen i den endelige undersøgelse Vores forhåbninger skyldtes blandt andet en konstruktiv kommunikation med GfK om, hvordan det skulle sikres, at de konstaterede fejl ikke opstod igen i den endelige indtastning Der er da også kun konstateret én decideret indtastningsfejl i én besvarelse for en enkelt variabel, nemlig kendskab til inhaleret insulin (spm 27) Desværre har det vist sig, at en af de systematiske fejl fra pilotundersøgelsen er gentaget i den endelige undersøgelse: Åbne spørgsmål, der er kodet som ratioskalerede variable, er fejlagtigt blevet indtastet med værdien 0 i de tilfælde, hvor spørgsmålet er ubesvaret eller hvor respondenten har skrevet ved ikke eller en anden lignende kommentar i stedet for at besvare spørgsmålet med en værdi I disse tilfælde skulle spørgsmålet have været kodet som ubesvaret, dvs med kodet med fejlkoden (9, 99, 999 eller 9999), hvilket fremgår af kodebogen og samtidig var en klar aftale med GfK Ovenstående giver en nedadrettet bias i målingen af de ratioskalerede variable (de åbne spørgsmål), gående mod nul Problemstillingen uddybes en smule i nedenstående afsnit 364, som giver en generel vurdering af datareliabiliteten for undersøgelsen Foruden ovenstående alvorlige problem har det været nødvendigt at udvide kodning (kategorierne) af de opfølgende spørgsmål til payment cards og af spørgsmålet vedrørende insulinudstyr, da visse respondenterne i disse spørgsmål har fundet det nødvendigt at afkrydse mere end én kategori, dvs feks afkrydse brug af både engangs- og flergangspen De fejl, som er fundet i forbindelse med den manuelle gennemgang af en del af de besvarede skemaer, er efterfølgende blevet rettet For systematiske fejl som ovenstående har det dog ikke været muligt at rette problemet, udover i de skemaer, som er gennemgået manuelt Det ville have krævet en manuel gennemgang af samtlige 315 returnerede besvarelser, hvilket vi hverken har fundet hensigtsmæssigt eller nødvendigt Efterfølgende har vi kørt en række konsistenstjek på data (feks kontrol af, hvorvidt rangordningen af attributter i spm 30 er korrekt og konsistent), som i nogle tilfælde har resulteret i, at enkelte respondenters svar er blevet nulstillet (kodet ubesvaret) i specifikke spørgsmål Alle disse fejlrettelser og rekodninger er dokumenteret i bilag B6 i form af output fra Stata 77

79 363 Kodning af data Kodningen af data fremgår som nævnt af kodebog i bilag Hovedprincipperne bag kodningen gengives dog i det følgende: For nominalt og ordinalt skalerede variable kodes den værdi, som fremgår af kategorierne i kodebogen Som udgangspunkt kodes fejl/ubesvaret, når et spørgsmål er ubesvaret Undtagelser fremgår af kodebogen Ratio-skalerede variable kodes med den værdi, som respondenten angiver i spørgsmålet Der kodes kun 0, hvis respondenten rent faktisk svarer 0 (kr, timer eller lign) Hvis respondenten angiver et interval, feks kr, kodes med en gennemsnitlig værdi af intervallet (1250) Spørgsmålstegn (?) eller kommentarer som det ved jeg ikke kodes som fejl/ubesvaret Fejlkodning: Kodning af fejl (med værdierne 9,99,999,9999) bruges primært til at angive at et spørgsmål er ubesvaret, men kan også bruges til at angive, at respondenten har svaret forkert Irrelevant: Kodning af irrelevant (med værdierne 8,88,888,8888) bruges til at indikere, hvilke spørgsmål fra en given respondent, der er irrelevante, primært pga contingencies i spørgeskemaet Hvis feks respondenten ikke bruger insulin (insulin = 0), kodes det efterfølgende spørgsmål om insulinudstyr irrelevant, dvs udstyr = 8 Efter modtagelse af rådata fra GfK er variable blevet rekodet og har fået tilføjet labels, ligesom en række konsistenstjek er gennemført Kodning og rekodning af undersøgelsens variable generelt fremgår ligeledes af bilag B6 364 Datareliabilitet Hovedafsnit 3 afrundes med en diskussion af reliabiliteten af de data, som er indsamlet til vores undersøgelse Som nævnt i afsnit 352 betyder reliabilitet generelt, at en undersøgelse skal være reproducerbar, forstået på den måde, at den operationelle definition er i overensstemmelse med det, som måles To identiske undersøgelser skal give samme resultat, og følgelig skal fejlleddet i det valgte måleinstrument være så lille som muligt Lukkede spørgsmål Det er velkendt at den bedste datareliabilitet opnås med forud-kodede, lukkede spørgsmål, idet indtasteren ikke selv skal tildele svarene koder, men blot angive værdien for den kategori, som er afkrydset Samtidig kan det lukkede format dog være med til at begrænse anvendeligheden af data, da visse typer undersøgelser på forhånd udelukkes (spørgsmålene vil altid være enten på nominal- eller ordinalskala 78

80 For DCE delen af undersøgelsen er det givet på forhånd, at der er tale om lukkede, diskrete eller i hvert tilfælde kategoriske spørgsmål, hvor der enten kodes 1 = jeg vælger pen; 2 = jeg vælger inhalator eller 3 = Ingen af de to Samtidig gælder det for disse spørgsmål såvel som de øvrige lukkede spørgsmål i spørgeskemaet, at vi har forsøgt at gøre kodningen af spørgsmålene så intuitiv som muligt, netop for at undgå problemer med indtastningen Som nævnt er der kun fundet én decideret indtastningsfejl i forbindelse med den manuelle gennemgang af en stikprøve af de besvarede skemaer og ingen for så vidt angår DCE og de øvrige valgspørgsmål Det får os til at konkludere, at der ikke er nogen problemer med reliabilitet i relation til de lukkede spørgsmål, særligt besvarelsen af valgsættene, som er det primære i undersøgelsen Der kan være andre former for validitetsproblemer i relation til respondenternes besvarelser, men diskussion af disse gemmes til afsnit 5 og 6 Åbne spørgsmål Som allerede nævnt i afsnit 362 er der et problem i forbindelse med kodning af de åbne spørgsmål Besvarelser, som skulle have været kodet fejl/ubesvaret og dermed udeladt af beregningerne, er i stedet blevet kodet med værdien nul Det er især et problem i relation til følgende spørgsmål: Antal år siden diagnose (spm 14) Antal daglige blodsukkermålinger, gns over 7 dage (spm 16) Egenbetaling for diabetesrelateret medicin pr måned (spm 22) Husstandens egenbetaling for receptpligtig medicin pr måned (spm 23) Tilskud fra danmark, kr/måned (spm 24B) Det er forholdsvis nemt at gennemskue problemet i relation til feks spm 14, da der ikke bør være særligt mange respondenter, som netop har fået konstateret diabetes (0 år) Det er særligt et problem for de monetære spørgsmål (de tre sidstnævnte), da vi er meget interesseret i besvarelsen af disse, og da det særligt er disse spørgsmål respondenterne undlader at svare på Enten fordi de ikke kender deres udgifter og tilskud, eller fordi de ikke har lyst til at oplyse disse Når ubesvarede er kodet med 0 betyder det, at den gennemsnitlige egenbetaling eller det gennemsnitlige tilskud pr måned vil være biased (mod 0) Det har ikke været muligt at rette problemet gennem rekodning af alle besvarelser, men der tages højde for problemet i forbindelse med præsentation af data i afsnit 52 Andre problemer Det skal afslutningsvis bemærkes, at vi har opdaget en uhensigtsmæssighed i forbindelse med spørgsmål 16 Der spørges til antal daglige blodsukkermålinger, men som et gennemsnit af de 79

81 seneste 7 dages målinger Definitionen er egentlig præcis nok, men tilpas kryptisk til, at nogle respondenter vil fortolke spørgsmålet som det samlede antal målinger over de sidste 7 dage, mens andre vil fortolke spørgsmålet korrekt Der er formentlig ikke tale om noget stort problem, men det skal haves in mente, når resultaterne fortolkes Datareliabiliteten er altså generelt udmærket Eventuelle validitetsproblemer diskuteres som nævnt i afsnit 5 og 6 i forbindelse med præsentation og diskussion af resultater Det sidste stadie i designprocessen er selve dataanalysen Første skridt i analysen er modeludvælgelse (afsnit 4) og kørsel af data Herefter skal data fortolkes Det er i denne fase vigtigt at have DCE s potentielle bias og validitetsproblemer in mente, idet misfortolkning af resultaterne kan føre til forkerte konklusioner og dermed uhensigtsmæssige beslutninger truffet med udgangspunkt i undersøgelsen I næste afsnit beskrives modellering og estimering af DCE, dvs hvordan selve dataanalysen udføres i praksis 80

82 4 Metode I det følgende beskrives modellering og estimering af DCE Udgangspunktet er en conditional logit model, som beskrives i afsnit 42 Efterfølgende modificeres modellen til også at kunne tage højde for forskellige varianser på de uobserverede faktorer i nyttefunktionen (afsnit 43) Afsnit 44 diskuterer opsætning af data, idet et korrekt datalayout er en forudsætning for, at estimering kan finde sted i praksis I forlængelse heraf afrundes hovedafsnittet med en præsentation af anvendte analyseværktøjer i nærværende undersøgelse (afsnit 45) Først beskrives dog selve modelleringen af DCE Discrete choice modeller Estimering af DCE kan ske med udgangspunkt i mange forskellige modeller, der kan inddeles i to grupper: Ved to alternativer i valgsættet benyttes en binær discrete choice model, mens udgangspunktet ved tre eller flere alternativer er en multipel discrete choice model Førstnævnte forsøger at modellere sandsynlighedsfordelingen for en binær afhængig variabel (0 eller 1), hvilket gør denne gruppe af modeller relativt simple at estimere og fortolke og således også meget populære Den binære logit og den binære probit model er de mest udbredte discrete choice modeller, når valget står mellem to alternativer Ved tre eller flere alternativer i valgsættet bliver estimeringen betydelig mere kompliceret Det skyldes primært, at det nu ikke længere er tilstrækkeligt at specificere en simpel fordeling dannet på baggrund af forskellene i uobserveret nytte, ε jq - ε iq I stedet skal den komplette forbundne fordeling af alle fejlled karakteriseres (Ben-Akiva og Lerman 1985, 100) Udgangspunktet for denne øvelse er en multinominal discrete choice model, og det er også udgangspunktet for modelleringen i forbindelse med denne undersøgelse 41 Modellering Sandsynligheden for, at individ q vælger alternativ i, er beskrevet i [2-2] Formlen kan forsimples på følgende måde, idet argumenterne i funktionerne er udeladt 30 : [4-1] P = P( ε ε < V V j i) (Train 2003, 19) iq jq iq iq jq Denne sandsynlighed er en kumulativ fordeling, da det er sandsynligheden for, at hvert tilfældigt led ε jq - ε iq ligger under den observerede forskel i nytte V iq - V jq f(ε q ) betegner tæthedsfunktionen for den tilfældige vektor ε q = (ε q1,, ε qk ) Tæthedsfunktionen bevirker, at der kan beregnes kvalificerede skøn over respondenternes valg, og med udgangspunkt i denne kan den kumulative fordeling således omskrives til: 30 Der tages stadig udgangspunkt i notationen fra Louviere et al (2000) Dvs at q benyttes som betegnelse for individet og i og j benyttes som betegnelser for alternativet 81

83 = jq iq iq jq f ( εq ) dεq ε [4-2] I( ε ε < V V j i) P, (Train 2003, 19) iq hvor I( ) er en indikatorfunktion, der antager værdien 1, når udtrykket i parentesen er sandt, og værdien 0, når udtrykket er falskt Sandsynligheden udtrykkes nu som et multidimensionalt integral over tætheden af den uobserverede nytte, f(ε q ) Ved at integrere alle mulige værdier af ε q opnås den totale sandsynlighed for at vælge alternativ i Det er specifikationen af tætheden, dvs antagelserne vedrørende den uobserverede del af nytten, der er bestemmende for, hvilken model, der anvendes til estimering Afhængig af specifikationen af f( ) skelnes der mellem et åbent, et lukket eller et delvist lukket integral Den binære såvel som den multinominale logit model (samt nested logit modellen) antager en lukket form Disse modeller bygger på antagelsen om, at fejlleddene på den uobserverede nytte er independent and identically distributed (IID-antagelsen) og følger en extreme value fordeling, dvs en logistisk fordeling Såfremt fejlleddene ikke er ens fordelt, dvs ikke har ens varians, bør der i stedet tages udgangspunkt i feks en heteroskedastisk logit model Probit modellen (både den binære og den multinominale) udledes derimod under antagelse af, at f( ) følger en normalfordeling, hvorfor integralet i dette tilfælde er åbent og således skal evalueres numerisk gennem simulation Mixed logit baseres på antagelsen om, at den uobserverede nytte består af en del, der følger en af analytikeren specificeret fordeling, samt en del, der følger IID ekstrem værdi fordelingen (Train 2003, 20) I dette tilfælde er integralet delvist lukket og skal evalueres gennem delvis simulation Netop fordi, at formlen for valgsandsynlighederne antager en lukket form, er logit modellen den nemmeste og mest udbredte choice model (Train 2003, 38) Dette er dog en sandhed med modifikationer, idet nutidens computere og statistiske programmer nemt estimerer de simulerede modeller Den logistiske fordeling og normalfordelingen minder meget om hinanden, undtagen i enderne, hvor den logistiske fordeling er tungere, dvs sandsynligheder væk fra midten tildeles en større vægt Medmindre der er tale om ekstreme værdier af βs, vil de to fordelinger således resultere i lignende sandsynligheder, og det er derfor svært at finde teoretiske argumenter for at vælge den ene fordeling frem for den anden (Greene 2003, 267) 82

84 42 Conditional logit modellen Til estimering af diabetikeres præferencer for insulinpræparater anvendes som udgangspunkt en conditional logit model Modellen blev udviklet af Mcfadden (1974) og forveksles ofte med den multinominale logit (MNL), om end der er en lille forskel Forskellen beskrives kort i afsnit Conditional logit udgør den mest populære ramme for modellering af DCE (Louviere et al 2000, 15) Dette tilskrives ikke mindst modellens lukkede form, der gør det nemt at estimere, fortolke og teste resultaterne Feks er sættet af estimerede parametre unikt, dvs der er kun et sæt af globalt optimale parametre Desuden har conditional logit vist sig ganske robust i situationer, hvor den stærke behavioristiske IID-antagelse ikke synes at holde Dette er væsentlige årsager til, at parameterestimaterne i nærværende undersøgelse beregnes med udgangspunkt i en conditional logit IID implicerer, at varianserne forbundet med den tilfældige nyttekomponent, der beskriver hvert alternativ, er identiske, og at disse uobserverede effekter ikke er korrelerede mellem alternativer, dvs den uobserverede nytteandel for ét alternativ påvirker ikke den uobserverede nytteandel for et andet alternativ og vice versa 421 IIA antagelsen En grundlæggende antagelse for conditional logit er independence-from-irrelevant-alternatives (IIA) Denne antagelse siger, at ratioen af sandsynlighederne for at vælge et alternativ frem for et andet, givet at begge alternativer har en sandsynlighed forskellig fra nul, er upåvirket af tilstedeværelsen eller fraværet af andre alternativer i valgsættet (Louviere et al 2000, 44) Således er IIA-antagelsen i realiteten identisk med IID-antagelsen I mange situationer er IIA-antagelsen realistisk, om end der findes situationer, hvor den er klart uhensigtsmæssig Dette bliver ofte eksemplificeret med udgangspunkt i det klassiske rød bus blå bus eksempel (Train 2003, 50): En pendler har valget mellem at tage en bil eller en blå bus på arbejde Den repræsentative nytte er ens for de to alternativer, dvs P bil = P blå-bus = ½ Ratioen mellem de to alternativer er således 1 Herefter antages, at et nyt alternativ kommer til en rød bus, der i pendlerens øjne er nøjagtig magen til den blå bus Således må sandsynligheden for, at pendleren tager den røde bus, være den samme som for den blå bus, dvs P rød-bus /P blå-bus = 1 Under IIA forbliver forholdet P bil /P blå-bus lig 1 Når P bil /P blå-bus = 1 og P rød-bus /P blå-bus = 1 må P bil = P blå-bus = P rød-bus derfor være ⅓ I den virkelige verden forventes det, at sandsynligheden for at tage bilen på arbejde forbliver den samme efter introduktion af 31 Det er opfattelsen, at de multinominale modeller udspringer af Mcfadden's conditional logit model, der derfor også omtales som Mother Logit (Bennett & Blamey 2001, 19) 83

85 den røde bus Endvidere formodes det, at den originale sandsynlighed for at tage bussen deles mellem de to busser efter, at den røde er lanceret, dvs P bil = ½ og P blå-bus = P rød-bus = ¼ På grund af IIA overestimerer logit modellen altså sandsynligheden for at tage en af de to busser, mens den underestimerer sandsynligheden for at køre i bil Forholdet P bil /P blå-bus ændres jo ved introduktion af den røde bus og forbliver dermed ikke konstant, som logit modellen kræver grundet IIA Selvom ovenstående eksempel er tænkt, afspejler det ikke desto mindre den misfortolkning, der kan finde sted i forbindelse med logit modellen, når ratioen af to alternativers sandsynligheder ændres som følge af lanceringen af eller ændringen i et andet alternativ Når IIA afspejler virkeligheden eller en tilstrækkelig approksimation af denne, følger en række fordele med overholdelse af denne Antagelsen gør modellen meget simpel at arbejde med og tillader introduktion og/eller eliminering af alternativer i valgsættet uden reestimering Således bliver det bla muligt at estimere modelparametre konsistent, selv om der kun tages udgangspunkt i en undergruppe af alternativer for hver respondent De relative sandsynligheder indenfor en undergruppe af alternativer påvirkes jo netop ikke af eksistensen af andre alternativer Omvendt gælder det naturligvis, at modellen kommer til kort, når de observerede og uobserverede attributter af nytte ikke er uafhængige af hinanden, og/eller når de uobserverede nyttekomponenter er korrelerede over alternativer (Louviere et al 2000, 45) I disse tilfælde vil conditional logit give biased nytteparametre og forkerte konklusioner Generelt anses conditional logit dog for en brugbar og robust model, og en eventuel manglende opfyldelse af IIA-antagelsen kan undgås ved inkludering af interaktionsvariable, feks personkarakteristika Estimering i nærværende undersøgelse tager jo netop udgangspunkt i en conditional logit model og er således baseret på IIA-antagelsen I designet optræder kun en generisk insulinpen og en generisk insulin-inhalator Pen og inhalator er de eneste reelle alternativer til administration af insulin, hvilket i sig selv gør antagelsen om IIA realistisk Test af IIA holdes af samme grund uden for rammerne af denne afhandling 422 Opstilling af model En conditional logit model opnås, når hvert fejlled antages at have en IID extreme value fordeling også kaldet Gumbel eller type 1 extreme value I dette tilfælde bliver tæthedsfunktionen for hver uobserveret nyttekomponent: 84

86 [4-3] f ( ε ε jq jq e ε ) = e e, (Train 2003, 38) jq og den kumulerede fordeling er givet som: [4-4] F( ε jq e ε jq ) = e, (Train 2003, 38) med en varians på π 2 /6 For conditional logit modellen bliver sandsynligheden for, at alternativ i vælges af individ q, således: [4-5] iq e P iq = (Train 2003, 40) Vjq e j V Idet nytten oftest antages at være lineær additiv i parametre kan sandsynligheden også specificeres som: [4-6] βs iq e P = (Train 2003, 41) iq β s e j jq Denne logit sandsynlighed har adskillige hensigtsmæssige egenskaber (Train 2003, 41-42) Som alle sandsynligheder er P iq mellem 0 og 1 Når V iq stiger som følge af en forbedring i alternativets observerede attributter, og V jq j i holdes konstant, nærmer P iq sig 1 Omvendt går P iq mod 0, når V iq falder Dette ses af [4-5], hvor tælleren går mod 0, når V iq går mod minus Sandsynligheden for et alternativ vil aldrig være præcis 0 Hvis et alternativ på forhånd forventes ikke at have en chance for at blive valgt, kan det ekskluderes En sandsynlighed på præcis 1 kan kun opnås, hvis valgsættet består af et enkelt alternativ Valgsandsynlighederne for alle alternativerne summer til 1, dvs: J [4-7] = exp( Viq )/ exp( V ) P = (Train 2003, 41) i= 1 iq i j jq 1 Nævneren i [4-5] er jo netop summen af alternativernes tællere Valgsandsynlighederne bliver betydeligt lettere at fortolke, når nævneren pr definition summer til en Udover logit modellen gælder dette også for nested logit, men det er ikke i sig selv tilfældet for probit samt mixed logit modeller Heraf følger, at logit modellen indebærer proportional substitution over alternativer Idet sandsynlighederne summer til 1, vil en stigning i valgsandsynligheden for ét alternativ nødvendigvis føre til fald i sandsynlighederne for andre alternativer Dette er netop en konsekvens af IIA, som nævnt i afsnit

87 Endelig skal forholdet mellem sandsynlighederne og den repræsentative nytte nævnes I logit modellen såvel som andre discrete choice modeller er den kumulative fordeling S-formet Dette påvirker effekten af de ændringer, der sker i de forklarende variable Hvis nytten ved et alternativ er meget lille sammenlignet med andre alternativer, vil en lille stigning i nytten ved alternativet have en lille effekt på alternativets sandsynlighed for at blive valgt Ligeledes vil en yderligere stigning i nytten ved et alternativ, der i forvejen er de andre alternativer overlegen, kun have en begrænset effekt på valgsandsynligheden Det er når sandsynligheden er tæt på 0,5, dvs når alternativet har en chance for at blive valgt, at en stigning i nytten har størst indflydelse på sandsynligheden for, at alternativet vælges 423 Conditional- versus multinomial logit Conditional logit forveksles ofte med MNL De to modeller har lignende valgsandsynligheder, og forskellen mellem dem er artificiel, om end vigtig at være opmærksom på (Greene 2003, 720) I MNL ændres kovariaterne ikke på tværs af alternativer For hvert alternativ, q, indeholder modellen kovariater, der er specifikke for individerne, men som nævnt ikke specifikke på tværs af alternativerne MNL er således den korrekte model i situationer, hvor alternativernes karakteristika ikke er af interesse, eller hvor oplysninger om disse ikke er til stede Conditional logit bruges derimod, som beskrevet ovenfor, når individernes valg baseres på et antal observerbare attributter for hvert alternativ Med andre ord estimerer conditional logit, hvordan alternativspecifikke og ikke individspecifikke variable påvirker sandsynligheden for et givent udfald Valgsandsynlighederne i MNL kan specificeres som følger: [4-8] P(y = j x) = 1+ e β jx J h= 1 e βhx, j = 1, 2,, J, (Wooldridge 2002, 497) hvor y er en tilfældig variabel, der antager værdierne j = 1, 2,, J afhængigt at respondentens valg I denne sammenhæng er x defineret som sættet af kovariater, der er betingende for respondentens valg, feks personspecifikke karakteristika Da sandsynlighederne skal summe til 1, bestemmes P(y = 0 x) først efter at sandsynlighederne for j = 1, 2,, J kendes Dvs: [4-9] P(y = 0 x) = 1+ 1 J h= 1 e β h x (Wooldridge 2002, 497) 86

88 Med udgangspunkt i samme notation bliver conditional logit modellen: [4-10] P(y q = j x q ) = J e h= 0 βx jq e βxhq, j = 0, 1,, J (Wooldridge 2002, 500) Herefter fremgår forskellen mellem de to modeller eksplicit I MNL er vektoren x fast, mens x jq i conditional logit varierer på tværs af alternativer og muligvis også på tværs af individer Derfor gælder det også, at modeller specificeret med udgangspunkt i MNL altid kan omdefineres og specificeres som conditional logit modeller Det sker ved at interagere de individspecifikke karakteristika med valgene Når situationen ses med udgangspunkt i conditional logit er MNL således blot et særtilfælde af conditional logit modellen (Wooldridge 2002, 501) 424 Maximum likelihood metoden Den mest udbredte metode til estimering af nytteparametrene i conditional logit, såvel som andre discrete choice modeller, er maximum likelihood (ML) Metoden er baseret på idéen om, at en stikprøve kan genereres af forskellige populationer og er mere tilbøjelig til at komme fra en population frem for en anden ML estimaterne er sættet af populationsparametre, der oftest genererer den observerede stikprøve (Louviere et al 2000, 48) Da logit sandsynlighederne antager en lukket form, kan den traditionelle ML procedure anvendes Denne beskrives kort i det følgende Sandsynligheden for at individ q vælger det alternativ, som det rent faktisk blev observeret, at vedkommende valgte, kan skrives som: i yiq iq [4-11] ( ) P, (Train 2003, 65) hvor y iq er lig 1, hvis respondenten vælger alternativ i, og nul i modsat fald Under antagelse af, at respondenternes valg er uafhængige af hinanden, vil sandsynligheden for, at hver person i stikprøven vælger det alternativ, som det blev observeret, at vedkommende valgte, være: Q yiq [4-12] L ( β) = (Piq ) (Train 2003, 65) q= 1 i Dvs at sandsynligheden for hele stikprøven er produktet af sandsynlighederne for de individuelle observationer β er en vektor indeholdende modellens parametre Disse parameterkoefficienter estimeres med log-likelihood funktionen, der herefter kan skrives som: 87

89 Q [4-13] LL ( β) = yiq ln P iq (Train 2003, 65) q= 1 i Estimatoren er den værdi af β, der maksimerer denne funktion LL(β) er globalt konkav, når nytten antages at være lineær i parametre 32, og mange statistiske programmer kan løse sådanne modeller (i dette tilfælde anvendes Stata) Log-likelihood funktionen fås ved at tage logaritmen af [4-12] Årsagen til at LL maksimeres i stedet for L er, at der sker en linearisering af likelihood'en, når der gås fra L til LL Det er denne linearisering, som muliggør, at selve den søge- eller maksimeringsalgoritme, som benyttes i forbindelse med ML, kan finde et entydigt maksimum og dermed optimale parameterestimater Vi vil ikke komme ind på de forskellige algoritmer, som kan bruges i relation til ML, blot nævne, at Stata s kommando til estimering af conditional logit modellen som standard benytter sig af Stata s egen, tilpassede version af Newton-Raphson algoritmen (se [R] Maximize i StataCorp 2005) Test af model og parametre En likelihood ratio test kan anvendes til test af hypoteser vedrørende de estimerede parametre Testen bruges på samme måde som F-testen i forbindelse med ordinary least squares (OLS), dvs til hypotesetest vedrørende parametrenes værdi samt som modeludvælgelseskriterium Testobservatoren for likelihood ratio testen er: [4-14] LR = 2[lnLˆ ln Lˆ ], (Greene 2003, 678) hvor R U Lˆ R er log-likelihood funktionen for de begrænsede estimater (restricted estimates), dvs nulhypotesens estimater, mens Lˆ U er log-likelihood funktionen for de ubegrænsede estimater Observatoren sammenholdes med en χ 2 -fordeling med K U - K R frihedsgrader, hvor K er antallet af estimerede parametre (Greene 2003, 486) Hvis værdien af LR overstiger den kritiske χ 2 -værdi afvises nulhypotesen En egentlig forklaringsgrad, R 2 kan ikke beregnes for modellen, da der tages udgangspunkt i ML og ikke least squares estimering Det er dog muligt at beregne indtil flere forskellige pseudo forklaringsgrader For at få et generelt mål for modellens goodness-of-fit kan eksempelvis McFadden's R 2 anvendes Målet er som nævnt analogt med R 2 i OLS - uden at de to mål dog er direkte sammenlignelige Således indikerer en pseudo-r 2 på mellem 0,2 og 0,4 et godt modelfit Intervallet svarer til intervallet 0,7-0,9 for lineære funktioner (Louviere et al 2000, 54) McFadden's R 2 beregnes som følger: 32 Dette blev bevist af Mcfadden (1974) 88

90 2 [4-15] R = 1 ( L( ˆ) β / L(0)) (Louviere et al 2000, 54) R 2 er givet som 1 minus værdien af ratioen mellem log-likelihood funktionen med de estimerede parametre over værdien af LL, når alle parametrene er lig nul 33 Når de estimerede parametre er irrelevante, vil tælleren være lig nævneren, og R 2 bliver lig 0 Omvendt er R 2 lig 1, når respondentens valg præcist kan forudsiges McFadden's R 2 er gengivet ovenfor, da det er denne, der som standard præsenteres sammen med conditional logit estimaterne i Stata, men der findes flere tilsvarende mål for goodness-of-fit 425 Skalaparameteren Indeholdt i alle RUT valgmodeller er skalaparametre, der er inverst relateret til variansen på de uobserverede nyttekomponenter, og som ikke kan identificeres uafhængigt af smagsparametrene Skalaparametrene bestemmes af fejlleddenes formodede fordeling (Hensher et al 1999, 205) Skalaparametrene normaliserer variansen på fejlleddene og dermed også nytteniveauet Når fejlleddene er uafhængige og identisk fordelt (IID-antagelsen) er normaliseringen ligetil Da alle fejlled antages at have ens varians, vil normalisering af variansen på et fejlled sætte variansen for dem alle Skalaparameteren er med andre ord fast, og nyttefunktionen kan skaleres med en hvilken som helst faktor, uden at det påvirker valgsandsynlighederne For visse modeller, herunder conditional logit, er fejlleddenes fordeling tilstrækkelig restriktiv til, at normaliseringen sker automatisk med fordelingens antagelser (Train 2003, 27) Når den observerede nytte er lineær i parametre indebærer normaliseringen, at de originale koefficienter, β*, multipliceres med 1/σ, hvor σ er standardafvigelsen på den uobserverede nyttekomponent Det er netop σ, som kaldes skalaparameteren Kun forholdet β*/σ kan estimeres; β* og σ kan ikke identificeres separat Således præsenteres en valgmodel oftest i sin skalerede form, dvs med β = β*/σ, hvilket også er tilfældet i ovenstående conditional logit model De estimerede koefficienter indikerer altså effekten af hver estimeret variabel i forhold til variansen på de uobserverede faktorer Dette er især vigtig at have in mente ved fortolkning og sammenligning af parameterestimater Fejlleddene i logit modellen normaliseres traditionelt til π 2 /6, hvilket er ca 1,6 Til sammenligning har normalfordelingen en varians på 1, hvorfor logit koefficienterne er ca 1,3 eller 1, 6 gange 33 Normalt kaldes L(0) også constant only modellen, dvs modellen, hvor kun den estimerede konstant er indeholdt i modellen Men da der i conditional logit modellen ikke estimeres en egentlig konstant (blot konstanter for alternativer, som nævnt tidligere), tages der altså her, for L(0), udgangspunkt i modellen, hvor alle parametrene er sat til nul 89

91 større end probit koefficienterne Det er det naturligvis vigtigt at være opmærksom på ved sammenligning af resultater på tværs af de to modeller Endvidere er det nødvendigt at være opmærksom på, at en større varians på fejlleddene medfører mindre koefficienter også selvom de observerede faktorer har den samme nytteeffekt Dvs højere σ betyder mindre β, selvom β* er den samme (Train 2003, 45) Dette er samtidig forklaringen på, hvorfor heteroskedastiske fejlled fører til inkonsistente parameterestimater Ovenstående conditional logit model [4-6] kan præciseres på følgende måde for at gøre opmærksom på skalaparameterens betydning for de estimerede koefficienter: [4-16] iq e P iq = µβs e µβs j jq, (Hole 2006b, 3) hvor µ er skalaparameteren, der i det konkrete tilfælde er lig π/ 6σ I modellen er variansen på de uobserverede faktorer som bekendt ens for alle respondenter Imidlertid kan det tænkes, at de uobserverede faktorer er forbundet med større usikkerhed for nogle respondenter end for andre I de seneste år har der således været en stigende interesse for at teste den homoskedastiske antagelse i praksis Dels fordi, at heteroskedasticitet fører til inkonsistente koefficienter, og ligeledes fordi, at parametre, der påvirker de latente variable i modellen, kan være interessante i behavioristisk henseende (Hole 2006b, 2), dvs for forståelsen af respondenternes valgadfærd Et alternativ til conditional logit, der tillader ulige varians på tværs af individer, diskuteres derfor i det følgende 90

92 43 Den heteroskedastiske logit model En modificeret udgave af conditional logit, der tager højde for forskellige varianser på de uobserverede faktorer i nyttefunktionen, kan specificeres som følgende: [4-17] P iq = e µ βs j q e iq µ βs q jq (Hole 2006b, 4) Modellen kaldes den heteroskedastiske logit model (DeShazo og Fermo 2002) eller parameterised heteroscedastic multinomial logit model (Hensher et al 1999) 34 Størrelsen µ q skal her opfattes som en funktion af individuelle karakteristika, der påvirker størrelsen af skalaparameteren og derfor variansen på de uobserverede faktorer Tilføjes µ q fodtegnet j udvides modellen til også at tage højde for heteroskedasticitet på tværs af alternativer Størrelsen µ q beregnes som Z q γ e, hvor Z q er en vektor dannet af individuelle karakteristika, og γ er en vektor af parametre, der afspejler disse karakteristikas indflydelse på variansen Således bliver µ q positiv for alle q, ligesom modellen reduceres til en conditional logit model, når γ = 0 En test af γ = 0 er altså også en test af konstant varians på tværs af respondenter Alle de gængse metoder til test af parameterrestriktioner i ML-estimerede modeller, dvs likelihood ratio, Wald og Lagrange multiplier testen, kan anvendes til test af nulhypotesens påstand om homoskedasticitet Hole (2006b) konkluderer, at likelihood ratio testen og Wald testen baseret på Hessian kovariansmatricen generelt er bedst til formålet Som nævnt benytter vi conditional logit som udgangspunkt for estimering af modeller, men et eksempel på estimering ved brug af den heteroskedastiske logit model præsenteres også (afsnit 59) Det er ikke, fordi vi regner med, at eksempelvis type 1 og type 2 diabetikere har forskellige skalaparametre, dvs at usikkerheden på de uobserverede faktorer i modellen er forskellig over diabetestyper Derimod formoder vi, at der kan være forskel i variansen på de uobserverede faktorer for de sikre hhv mindre sikre respondenter, forstået som de respondenter der har været sikre i deres besvarelse af valgspørgsmålene, og de som har været usikre Dette forhold er netop beskrevet ved de kalibreringsspørgsmål, som blev diskuteret i afsnit 344, og det er derfor disse, der tages udgangspunkt i, i relation til estimering med den heteroskedastiske logit model 34 I Stata estimeres modellen med kommandoen -clogithet-, en brugerskreven kommando, skrevet af Arne Risa Hole Se Hole (2006b) samt kommentarer i afsnit 45 91

93 44 Opsætning af data Estimering af sandsynlighedsmodeller sker i praksis ved hjælp af et statistikprogram En forudsætning for, at programmet leverer de ønskede resultater er, at datalayoutet er korrekt, dvs at data er opsat og kodet rigtigt I det følgende gennemgås datalayoutet for valgsættene i nærværende undersøgelse Forud for dette er det dog hensigtsmæssigt med en kort præsentation af de forskellige kodningsmuligheder og overvejelser i forbindelse hermed 441 Kodning Det første skel kan drages mellem differenskodede og absolutkodede attributter Førstnævnte implicerer, at attributterne er kodet således, at deres værdier angiver forskellen mellem at vælge den nuværende og den alternative situation Omvendt indebærer absolutkodning, at attributterne er kodet med deres absolutte værdi Endvidere skal der skelnes mellem dummykodede (0, 1) og effektkodede (-1, 0, 1) kategoriske variable Førstnævnte indebærer, at en attribut med L niveauer transformeres om til L - 1 dummyvariable Hver dummy sættes lig 1, hvis det pågældende niveau er til stede og lig 0, hvis det ikke er Det L te niveau ekskluderes for at undgå perfekt kollinaritet, da dette niveau kan identificeres med udgangspunkt i de L - 1 dummyvariable Således indebærer dummykodning, at effekten af det L te niveau er perfekt korreleret med konstantleddet i regressionen Dvs at effekten af det L te niveau er indeholdt i konstantleddet (Bech og Gyrd-Hansen 2005, 1080) I modsætning til dummykodninger er effektkodninger ikke korrelerede med konstantleddet i modellen, og deres kolonner summer til nul Hvor dummykodede variable er ortogonale i forhold til hinanden, er effektkodede variable konstant korrelerede Effektkodning minder om dummykodning, idet der skabes L - 1 nye variable, men referenceniveauet tildeles værdien -1 i stedet for værdien 0 De effektkodede variable for et niveau sættes lig 1, når niveauet er til stede, og lig med -1, når det L te tilfældige referenceniveau er til stede og i alle andre tilfælde sættes variablen lig nul Et eksempel med udgangspunkt i data fra undersøgelsen er gengivet i afsnit 442 Effektkodningens force Som nævnt ovenfor implicerer dummykodning, at de estimerede β koefficienter er perfekt korrelerede med konstantleddet, ofte betegnet β 0 Dette kan give anledning til et identifikationsproblem, idet nytten forbundet med attributtens L te niveau således ikke kan separeres fra andre nytteelementer indeholdt i konstantleddet I tilfælde af et binært DCE design, hvor hvert valgscenarium har et fast sammenligningsgrundlag, vil dette definere referencepunktet for hver attribut 92

94 Når dummykodning anvendes, kodes basissituationen, som en serie af nuller for hver attribut, og de L - 1 dummyvariable forbundet med attributniveauerne for de enkelte attributter sættes lig 1, når attributniveauet er forskelligt fra referenceniveauet Hvis modellen ikke indeholder et konstantled, vil nytten ved basisalternativet indirekte blive sat lig nul Således vil koefficienterne, β 1 til β L-1, afspejle den adderede eller subtraherede nytte i forhold til attributtens L te niveau, der per definition har en nytte på nul (Beck og Gyrd-Hansen 2005, 1080) Det er imidlertid nødvendigt at være opmærksom på, at et fast basisalternativ kan være forbundet med nytteelementer udledt af andre karakteristika end dem, der er forbundet med attributterne Dette er bla tilfældet, når basissituationen repræsenterer status-quo For at kunne teste for en sådan effekt, kan det umiddelbart virke hensigtsmæssigt at inkludere en konstant i regressionen, men som nævnt ovenfor vil inklusion af et konstantled i regressionen føre til et identifikationsproblem Netop fordi, at konstanten β 0 kan repræsentere et referencepunkt til koefficienterne, β 1 til β L-1, og/eller nytte forbundet med basisalternativet, er det ikke muligt at give en meningsfuld fortolkning af et statistisk signifikant konstantled I effektkodning defineres referencepunktet derimod som den negative sum af de estimerede koefficienter Nytten af det L te niveau er lig: [4-18] β 1 (-1) + β 2 (-1) + + β L-1 (-1) (Beck og Gyrd-Hansen 2005, 1080) Således er referencepunktet nu internaliseret i β estimaterne, og kan ikke overføres til konstantleddet Når effektkodning anvendes, kan konstantleddet kun afspejle nytten forbundet med det faste sammenligningsgrundlag, og misfortolkning er ikke muligt Effektkodning og beregning af WTP Ved beregning af WTP i DCE er det kutyme at multiplicere koefficienter baseret på effektkodede kvalitative attributter med 2 for at tage højde for det relativt større spænd mellem kodningsværdierne ved denne metode i forhold til dummykodning Som nævnt ovenfor anvendes værdierne -1, 0 og 1 i effektkodning, mens dummykodning udelukkende benytter værdierne 0 og 1 35 Koefficienten for en effektkodet attribut med to niveauer er præcis det halve af koefficienten for en tilsvarende dummykodet attribut Multipliceres koefficienten for den effektkodede attribut med 2, vil den således være lig koefficienten for en tilsvarende dummykodet attribut Dette er et matematisk faktum, der dog ikke holder, når den pågældende attribut har flere end to niveauer Således kan det undre, at det er praksis også at 35 Generelt har spændet (skaleringen) af en variabel stor betydning for den absolutte størrelse af de parameterestimater, som beregnes på baggrund af denne Det ses feks typisk også i forbindelse med pris- eller omkostningsattributten, der typisk er meget lille, da spændet er stort (i nærværende undersøgelse er spændet fra 100 til 1500 kr/måned Således også for en effektkodet attribut, der har et spænd på 2 (fra minus en til plus en) i forhold til et spænd på 1 (fra nul til en) for en dummykodet attribut 93

95 fordoble koefficienter for kvalitative effektkodede attributter med tre eller flere niveauer ved beregning af velfærdsmål Det er ikke lykkedes os at finde litteratur, der diskuterer denne problemstilling, hvorfor vi vælger at følge sædvanen (det bemærkes at de effektkodede attributter i undersøgelsen alle er defineret med to niveauer) Således multipliceres koefficienterne for de kvalitative effektkodede attributter med 2 ved beregning af WTP i nærværende undersøgelse Selvom vi godt kan følge rationalet for at forøge de effektkodede koefficienter ved beregning af WTP, så er vi ikke overbeviste om, at det er den korrekte måde bare at gange de effektkodede attributters koefficienter med 2 i hvert fald ikke, når attributterne har flere end to niveauer Vi ser således frem til mere litteratur om emnet 442 Datalayout For at kunne estimere en conditional logit model i Stata skal data opsættes således, at der er én observation pr valgalternativ (pr valgsæt) Desuden skal attributterne være absolutkodede Udgangspunktet for nærværende undersøgelse er derfor et datasæt med i alt observationer (3 valgalternativer 12 valgsæt 298 respondenter) 36 DCE datalayoutet for en tilfældig respondent (stempelid 10104) er gengivet i tabel 41 Det bemærkes, at de kategoriske attributter er effektkodede (dagbog, intmaal, hoste), hvilket blandt andet er bestemt under hensynstagen til diskussionen i afsnit 441 Den pågældende diabetiker har besvaret version 1 af spørgeskemaet Hvert af de 12 valgsæt i spørgeskemaet er beskrevet ved tre observationer: én for hvert alternativ Variablen choice angiver med værdien 1 (0 ellers), hvilket alternativ der er valgt i det aktuelle valgsæt Variablen alt (alternativ) angiver alternativerne indenfor hvert valgsæt, hvor 1 = Jeg vælger pen, 2 = Jeg vælger inhalator og 3 = Ingen af de to I første valgsæt (c_set = 1) ses det, at respondenten har valgt mellem følgende: (1) En pen, der vejer 30 gram, har indbygget dagbogsfunktion og integreret blodsukkermåler, og behandlingen er forbundet med en månedlig egenbetaling på 1500 kr (2) En inhalator med en vægt på 200 gram, der har indbygget dagbogsfunktion og er forbundet med en månedlig egenbetaling for behandling på 150 kr Dertil kommer, at mild, kortvarig hoste kan forekomme i forbindelse med indtagelse af insulin (for ca 1 ud af 20) Attributten integreret blodsukkermåler er ikke defineret for inhalator (3) Endelig har respondenten muligheden for at vælge ingen af de to Det ses, at respondenten har valgt inhalator i dette tilfælde (choice = 1 & alt = 2) 36 Se afsnit 51 for en definition af den endelige stikprøve 94

96 Tabel 41 Datalayout for valgsættene cobs stempelid skema c_set alt choice storrelse dagbog intmaal hoste egenbet pen inh base type Anm: Variablene er i tabellen givet ved deres variabelnavne, men kort beskrivelse følger her: cobs = løbenummer, der unikt identificerer hver enkelt observation i datasættet; stempelid = Identifikation af respondent/spørgeskema; skema = skema-version; c_set = valgsæt (1-12); alt = valgalternativ (1-3); choice = angiver det valgte alternativ; storrelse = størrelses-attribut; dagbog = dagbogs-attribut; intmaal = blodsukkermåler-attribut; hoste = hosteattribut; egenbet = attribut for egenbetaling for behandling, pr måned; pen, inh, base = alternativspecifikke konstanter for de tre alternativer, type1 = type 1 (1) eller type 2 (0) diabetiker eksempel på individspecifik variabel Variablene pen, inh og base er alternativ-specifikke konstanter for hhv pen-, inhalator- og status-quo alternativet Som nævnt inkluderes kun to af disse i modelleringen, da der ellers opstår perfekt kollinaritet men det er muligt at variere, hvilke to der tages med i modelleringen, alt efter hvilken base-situation (sammenligningsgrundlag) der ønskes Endelig er også den individspecifikke variabel type1 (diabetestype; 1 = type 1; 0 = type 2) gengivet i tabellen for at illustrere, at individspecifikke variable blot er konstante indenfor panelet (respondenten) 95

97 45 Analyseværktøjer Det er tidligere nævnt, at statistikprogrammet Stata benyttes til databehandling og analyse i forbindelse med denne specialeafhandling mere specifikt Stata version 92 Dokumentation og reproduktion af resultater Dokumentation i form af output fra Stata er vedlagt i bilag i det omfang det er fundet nødvendigt dvs i relation til kodning og rekodning af data samt output fra estimering af DCE modeller Som nævnt kan programkode og output fra analyserne hentes i sin helhed på siden Det er muligt (og en del nemmere) automatisk at downloade både programkode og output direkte fra Stata Følgende kommandoer skrives i Stata s kommando-prompt: net from net describe speciale /* beskrivelse af de filer, der er til rådighed */ net get speciale /* download programkode (do-filer) og output */ Det er desværre ikke muligt at lægge data fra selve undersøgelsen på hjemmesiden til fri afbenyttelse, så i stedet er der sammen med programkode og output vedlagt et fiktivt datasæt, som kan bruges til test af programmerne Programmeringen styres fra hoved-programmet (dofilen) analyzedo, som er gengivet i bilag B7 Stata programmer brugt til discrete choice og betalingsvilje estimering Som nævnt er udgangspunktet for estimering af choice modeller conditional logit modellen Denne er estimeret med kommandoen -clogit- i Stata Efterfølgende er betalingsvilligheder estimeret med udgangspunkt i kommandoen -nlcom- (non-linear combinations) Begge kommandoer er dokumenteret i StataCorp (2005) Syntaks og specifikation af modellerne i praksis kan ses sammen med output fra estimering af modellerne i bilags-sektion D Afslutningsvis bør det nævnes, at det brugerskrevne Stata-program -clogithet- (skrevet af Arne Risa Hole, University of York) er benyttet til estimering af den heteroskedastiske logit model Da der er tale om et brugerskrevet program, skal dette installeres i Stata, førend det kan benyttes I Stata s kommando-prompt skrives: ssc install clogithet Programmet er dokumenteret i den medfølgende hjælpe-fil 37 Specifikation af modellen og beskrivelse af metoden findes som tidligere nævnt i Hole (2006b) 37 I Stata, skriv -help clogithet- Programkode og dokumentation kan også ses på hjemmesiden 96

98 5 Resultater I det følgende præsenteres resultater fra den endelige undersøgelse af diabetikeres præferencer for udstyr til administration af insulin Først følger i underafsnit 1 en præsentation af stikprøven, herunder præcisering af eksklusionskritierier mv I underafsnit 2 følger en beskrivelse af de væsentligste personspecifikke karakteristika Dernæst testes stikprøven i underafsnit 3 for repræsentativitet på udvalgte karakteristika, og i underafsnit 4 præsenteres simple CVM betalingsviljer (dichotomous choice spm 28-30, og payment card spm 46-47) Derefter præsenteres i underafsnit 5 og 6 resultater for valgsættene henholdsvis de estimerede discrete choice modeller, der i nærværende sammenhæng betegnes som standardmodellerne I underafsnit 7 beregnes samlede betalingsvilligheder (WTP) for forskellige specifikationer af pen og inhalator De samme specifikationer bruges i underafsnit 8 til belysning af velfærdsændringer ved kvalitetsforbedring af de to administrationssystemer med udgangspunkt i et hypotetisk marked (CV) Endelig følger i underafsnit 9 et eksempel på modellering af discrete choice modeller under antagelse af, at usikkerheden varierer for den uobserverede nytte i forskellige undergrupper af stikprøven 51 Stikprøven Som beskrevet i afsnit 31 er data indsamlet af GfK i perioden 27 november 22 december skemaer blev udsendt: 136 til type 1 og 264 til type 2 diabetikere I alt 315 skemaer er returneret i udfyldt tilstand og indtastet af GfK Efter modtagelse af data er det valgt at ekskludere i alt 17 besvarelser (begrundelse følger) Dvs at 298 besvarelser danner grundlag for den endelige undersøgelse Svarprocent Idet der tages udgangspunkt i de ikke-ekskluderede besvarelser kan undersøgelsens samlede svarprocent opgøres til 74,5 pct (298 ud af 400) Tilsvarende kan svarprocenten for type 1 diabetikerne opgøres til 75 pct (102 ud af 136), mens svarprocenten for type 2 diabetikere er lidt mindre; 74 pct (196 ud af 264) Det er umiddelbart en acceptabel svarprocent, der ikke i sig selv kan invalidere undersøgelsen eller fortolkningen af dennes resultater Håbet var dog at opnå en endnu højere svarprocent ud fra den betragtning, at respondenter generelt er mere villige til at besvare spørgeskemaer fra undersøgelser, der har direkte relevans for dem selv feks undersøgelser vedrørende en sygdom eller lidelse, som de er berørt af Der er udsendt tre versioner af spørgeskemaet Efter aftale med GfK er der udsendt lige mange skemaer af hver version, dvs 133 stk for en enkelt version dog 134 stk For at sikre designets efficiens skal andelen af returnerede og korrekt besvarede skemaer gerne være ens for de tre versioner Tabel 51 viser fordelingen af besvarelser på spørgeskemaversioner og 97

99 respondenttyper (diabetestype) Det ses, at der er en lille overvægt af besvarelser med udgangspunkt i skemaversion 1 Det vurderes dog, at andelen af besvarede skemaer er så tilpas ens for de tre versioner, at designets efficiens ikke berøres af dette Da svarprocenten er stort set ens for type 1 og type 2 diabetikere, følger fordelingen af besvarelser nøje den valgte stratifikation på diabetestype (34 hhv 66 pct) 38 Tabel 51 Antal besvarelser, fordelt på skemaversion og diabetestype Skema Respondentnummer (stempel id) Type 1 Type 2 Antal besvarede skemaer i alt Absolut frekvens / (relativ frekvens) xxx (11,74) (23,15) (34,90) 2 20xxx (10,74) (21,48) (32,21) 3 30xxx (11,74) (21,14) (32,89) I alt (34,23) (65,77) (100,00) Anm: Antal besvarelser er antallet efter, eksklusion af besvarelser Se tabel 52 Eksklusionskriterier Som nævnt er der ekskluderet 17 besvarelser efter modtagelse af data For at indgå i den endelige stikprøve skal respondenterne have svaret på følgende spørgsmål: Køn (spm 1), fødselsår (spm 2), diabetestype (spm 13) samt brug af insulin (spm 15) Køn og alder er de to mest grundlæggende demografiske spørgsmål, som enhver respondent bør kunne besvare korrekt De to sidstnævnte kriterier er valgt som en forudsætning for inkludering i stikprøven, da de er af stor betydning for undergruppeanalyserne Desuden er det en forudsætning, at respondenterne har foretaget et valg i alle valgsæt Da det kun er meget få respondenter, der ikke har besvaret samtlige valgspørgsmål, kunne disse i princippet godt indgå i den endelige stikprøve, uden at det ville påvirke designets efficiens væsentligt (det er muligt at estimere modeller med udgangspunkt i ubalancerede paneler, dvs hvor der mangler enkelte besvarelser for nogle respondenter) Men disse er altså ekskluderet dels for at undgå eventuelle uhensigtsmæssigheder og dels pga at der er tale om relativt få besvarelser De ekskluderede besvarelser er gengivet i tabel 52 for så vidt angår besvarelserne af de spørgsmål, der er valgt som eksklusionskriterier 38 Som nævnt i afsnit 31 var aftalen med GfK udsendelse til en stikprøve med 100 type 1 og 300 type 2 diabetikere, dvs en fordeling på 25/75 pct Den endelige fordeling af udsendte spørgeskemaer (136/264) skyldes, at GfK ikke havde korrekte oplysninger om diabetestype for alle de rekrutterede respondenter og således fik sendt spørgeskemaer til for mange type 1 diabetikere Dette er uheldigt, da type 2 underopdeles i insulinbrugere og ikke-insulinbrugere i de følgende analyser 98

100 Tabel 52 Ekskluderede respondenter stempelid kvinde faar type1 Insulin C01 C02 C03 C04 C05 C06 C07 C08 C09 C10 C11 C Anm: Ubesvarede spørgsmål er angivet med punktum () For valgsættene er kodningen: 1 = Pen; 2 = Inhalator; 3 = Ingen af delene Det bemærkes, at en enkelt respondent stempelid har besvaret samtlige af de krævede spørgsmål korrekt Respondenten er dog for ung til at være en del af den definerede stikprøve af voksne diabetikere (13 år), jf afsnit 342 Udover alderen er bevarelsen af en del af de øvrige spørgsmål også tvivlsom Respondent samt har begge besvaret alle valgsæt og er derfor alene ekskluderet på baggrund af manglende besvarelse af fødselsår Respondent har ligeledes besvaret alle valgsæt, men har hverken oplyst køn, fødselsår eller diabetestype De resterende 11 respondenter er (primært) ekskluderet fordi, at de ikke har besvaret mellem et og samtlige tolv valgsæt Den primære stikprøve Den primære stikprøve består altså af i alt 298 respondenter Disse respondenter har alle besvaret 12 valgsæt, og det er på baggrund af disse, at discrete choice modellerne er estimeret Enkelte respondenter har dog ikke besvaret en eller flere af de personspecifikke spørgsmål, hvilket betyder, at modeller, hvor personspecifikke variable inddrages, kan være baseret på færre respondenter Som nævnt er der foruden de personspecifikke variable også indsamlet 12 valgsæt for hver respondent Data kan derfor opfattes som en paneldatasæt, som indeholder 298 paneler med 12 valgsæt i hvert panel ( observationer), hvor de personspecifikke variable er konstanter indenfor panelerne Som nævnt benyttes Stata kommandoen -clogit- til estimering -clogit- kræver et datalayout med én observation pr valgalternativ (pr valgsæt), som vist i afsnit 442 For at opnå dette layout kommer hvert panel (respondent) til at bestå af 3 x 12 observationer, da der er tre valgalternativer (pen, inhalator og ingen af de to) De person- 99

101 specifikke variable er stadig konstante indenfor panelerne Det primære analysedatasæt til estimering af discrete choice modellerne (afsnit 55 59) består således af i alt observationer (3 alternativer 12 valgsæt 298 respondenter) I afsnit beskrives respondenternes karakteristika derimod med udgangspunkt i et datasæt med én observation pr respondent 52 Socio-demografiske variable I det følgende beskrives respondenternes karakteristika Stikprøvens aldersfordeling, fordelt på køn er gengivet i figur 51 Stikprøvens kønsfordeling er 43 pct mænd og 57 pct kvinder Den samlede gennemsnitsalder er 49 år (tabel 53) henholdsvis 53 år for mænd og 46 år for kvinder Figur 51 Histogram over aldersfordeling, fordelt på køn, pct I tabel 53 gengives summarisk statistik for udvalgte socio-demografiske variable for hele stikprøven En stor del af variablene i tabel 53 er dikotome For disse skal middelværdien fortolkes som den andel af stikprøven, der er karakteriseret ved den beskrevne egenskab Frekvenstabeller for de øvrige kategoriske variable er gengivet i bilag C1 Dertil kommer en række figurer med to- og trevejstabulationer af væsentlige kategoriske variable Figurerne er i sig selv interessante og indeholder meget information, men skal også ses i sammenhæng med de efterfølgende discrete choice analyser på undergrupper Figurerne er opbygget som følgende: Den kategoriske fordeling af den valgte analysevariabel er angivet i procent indenfor de enkelte kategorier af hovedopdelingen; feks uddannelse fordelt på kvinder (100 procent) og mænd (100 procent) Dette gør det forholdsvis let at sammenligne den relative fordeling af analysevariablen på hovedgrupper De væsentligste diabetesrelaterede variable diskuteres senere i større detalje, hvorfor fokus i første omgang er på de generelle socio-demografiske variable 100

102 Tabel 53 Deskriptiv statistik for udvalgte socio-demografiske variable Variabel label N Middelværdi Standard afvigelse Min Max Variabel navn Generelle socio-demografiske variable: Køn, kvinde = ,5671 0, kvinde Alder , , alder Gift/samboende = ,6644 0, gift Videregående uddannelse = ,5051 0, vudd Uddannelse, antal år ,1000 3, uddaar I beskæftigelse = ,4631 0, besk Ugentlig arbejdstid (gns), hvis arbejde ,2190 9, arbtid Hårdt fysisk arbejde(?), hvis arbejde 136 0,2868 0, fysisk Erhvervserfaring, antal år , , erfa Årlig husstandsindkomst, brutto a 290 3,4414 1, indkomst Motion, antal timer pr uge (gns) 297 5,9731 5, motion Diabetes-relaterede variable: Type 1 diabetes = ,3423 0, type1 Type 2 diabetes = ,6577 0, type2 Antal år siden diagnose , , diagnose Behandling: DE = ,1443 0, DE Behandling: OAD = ,3691 0, OAD Behandling: Insulin = ,5503 0, insulin Insulinbehandling, hvis insulinbruger: Bruger pen = ,9695 0, ipen Antal enh insulin: morgen , , idosem Antal enh insulin: frokost 164 5,9817 7, idosef Antal enh insulin: aften , , idosea Antal enh insulin: før sengetid , , idosen Antal enh insulin pr dag (gns) , , idose Følgesygdomme Har mindst én følgesygdom 298 0,6107 0, syg0 Forhøjet blodtryk 298 0,3490 0, syg1 Forhøjet kolesteroltal 298 0,3926 0, syg2 Hjerte-/karsygdomme 298 0,0772 0, syg3 Fodsår 298 0,0302 0, syg4 Retinopati diabetisk øjensygdom 298 0,0638 0, syg5 Nefropati diabetisk nyresygdom 298 0,0369 0, syg6 Neuropati diabetisk nervesygdom 298 0,0436 0, syg7 Anden følgesygdom 298 0,1309 0, syg8 Øvrige variable: Forbehold ved injektion = ,2135 0, injekt Egenbetaling for diabetesrelateret medicin (gns), DKK/måned , , udgift Egenbetaling for diabetesrelateret medicin (gns), DKK/måned b, uden nul-besvarelser Husstandens egenbetaling for receptpligtig medicin (gns), DKK/måned , , udgift , , udgifttot Husstandens egenbetaling for receptpligtig medicin (gns), DKK/måned, uden nul-besvarelser b , , udgifttot0 Sygesikringen danmark, medlem = ,3673 0, danmark Tilskud fra danmark, gns DKK/måned , , tilskud Forhåndskendskab fra familie = ,3300 0, kendfam Forhåndskendskab fra venner = ,2020 0, kendven Forhåndskendskab fra bekendte mv = ,1818 0, kendand Kendskab til inhaleret insulin = ,3007 0, inhal Rygning = ,3502 0, rygning Anm: Alle variable med en middelværdi på mellem 0 og 1 er dikotome kategoriske variable, kodet som dummyvariable a Ordinalskaleret indkomstvariabel Indkomstintervallerne fremgår af frekvenstabellerne i bilag C1 b Udgift er kodet med besvarelsen 0 kr i 54 tilfælde og udgifttot i 33 tilfælde Disse besvarelser kan være reelle, men kan også være et resultat af, at ubesvarede spørgsmål er kodet med 0 i stedet for med 9999, jf diskussion af kodning og datareliabilitet i afsnit 36 Variablene udgift0 og udgifttot0 opgør de gennemsnitlige udgifter, når nul-besvarelserne er ekskluderet 101

103 Generelle socio-demografiske karakteristika Det bemærkes, at 35 pct er rygere Det er en relativ stor andel i betragtning af de ekstra risici, der er forbundet med rygning for diabetikere Det er endvidere væsentligt mere end de 24,7 pct dagligrygere, som der ifølge Sundhedsstyrelsen (2006b) var i den danske befolkning generelt i 2006 Respondenterne har i gennemsnit 13 års skolegang, og ca halvdelen har oplyst, at de har en videregående uddannelse (kort, mellemlang eller lang) Figur 52 viser respondenternes senest afsluttede uddannelse fordelt på køn Hos både mænd og kvinder er der en forholdsvis stor andel, hvis højest fuldførte uddannelse er grundskolen Dette skal ses i sammenligning med respondenternes relativt høje gennemsnitsalder, idet det tidligere var mere almindeligt at afslutte sit uddannelsesforløb efter folkeskolen 46 pct af respondenterne er stadig i beskæftigelse, arbejder i gennemsnit 36 timer om ugen og har i gennemsnit 26 års erhvervserfaring Beskæftigelsesandelen synes umiddelbar lav, men der erindres om, at den mest udbredte diabetestype type 2 oftest diagnosticeres blandt ældre mennesker Tilknytning til arbejdsmarkedet diskuteres i større detalje i relation til figur 55, der er hovedopdelt på diabetestype 66 pct af respondenterne er gift eller samboende, og andelen er lidt større for mænd end for kvinder, jf figur 53 Figuren viser endvidere, at beskæftigelsesandelen for mænd og kvinder er stort set ens uanset civilstand Den gennemsnitlige husstandsindkomst ligger mellem og kr (dvs mellem det tredje og fjerde indkomstinterval) Der spørges til husstandens og ikke den personlige bruttoindkomst (spm 10), da rådighedsbeløbet til bla medicin og derigennem indirekte betalingsvilligheden for dette ikke så meget afhænger af den enkeltes økonomi som af husstandens Parres indkomstvariablen med opdeling på køn og civilstand (figur 54) ses som ventet, at enliges husstandsindkomster generelt er mindre end de gifte og samboendes Dette indikerer samtidig, at validiteten af indkomstspørgsmålet er relativt god: Respondenterne har generelt gennemskuet, at der blev spurgt til husstandsindkomst og ikke personlig indkomst Generelt befinder en lidt større procentdel af kvinderne sig på de nederste tre-fire indkomstintervaller, trukket ned af den både absolutte og relativt større andel af enlige kvinder (i forhold til ditto mænd) Endelig bemærkes det, at respondenterne i gennemsnit motionerer 6 timer om ugen mændene lidt mere end kvinderne (6½ henholdsvis 5½ time) Der erindres om, at motion i denne sammenhæng er alt fra at gå tur med hunden og ordne have til egentlig sportsudøvelse I forhold til anbefalingerne for diabetikere er 6 timers motion om ugen dog ikke særlig meget 102

104 Figur 52 Senest afsluttede uddannelse, fordelt på køn, pct Figur 53 Civilstand, fordelt på køn og beskæftigelse, pct Figur 54 Husstandsindkomst, fordelt på køn og civilstand, pct 103

105 Diabetesrelaterede variable I tabel 54 er gengivet middelværdi og standardafvigelse for udvalgte variable både for respondenterne under ét og fordelt på undergrupper af diabetikere (type 1 og type 2 samt type 2, der henholdsvis bruger eller ikke bruger insulin) Som tidligere nævnt udgøres den samlede stikprøve at 57 pct kvinder Kvinderne er især i overtal blandt type 1 diabetikerne med en andel på 67 pct, jf også figur 56 Derimod er antallet af type 2 diabetikere i stikprøven omtrent ligeligt fordelt mellem kønnene, om end kvinderne også her er i overtal Grundet undersøgelsens høje svarprocent, kan årsagen til den høje kvindeandel for især type 1 diabetikerne ikke umiddelbart forklares med, at kvinderne har været mere villige til at besvare spørgeskemaet end mændene Der findes ikke tal for, hvor mange pct af type 1 diabetikerne, der er kvinder, men at fordelingen af type 1 diabetikere på køn er så skæv, som resultaterne viser, synes ikke plausibelt, hvorfor de kvindelige type 1 diabetikere nok snarere er over-samplede i undersøgelsen Den relativt store andel kvinder med type 1 diabetes i stikprøven kan dels forklare, hvorfor gennemsnitsalderen for kvinder er 6 år mindre end mændenes, og dels, hvorfor kun 26 pct af kvinderne er pensionister i modsætning til mændenes 42 pct Type 1 diabetes bliver ofte diagnosticeret tidligt i livet, hvorfor gennemsnitalderen for type 1 diabetikere må forventes at være mindre end for type 2 diabetikerne I nærværende undersøgelse er gennemsnitsalderen for type 1 diabetikerne da også 40 år, mens den er 54 år for type 2 diabetikerne Ikke overraskende aldersfordelingen taget i betragtning er det således også type 1 diabetikerne, der har den højeste beskæftigelsesprocent: 53 pct af type 1 diabetikerne i stikprøven er i beskæftigelse, mens det samme kun gælder for 43 pct af type 2 diabetikerne Det er især type 2 diabetikerne i insulinbehandling, der trækker type 2 diabetikernes beskæftigelsesandel ned; kun 34 pct i denne gruppe har et arbejde Figur 56 belyser endvidere, hvor mange af respondenterne, der er i insulinbehandling Andelen af type 1 diabetikere i insulinbehandling er af naturlige årsager 100 pct, mens 15 pct af de mandlige type 2 diabetikere og 16 pct af de kvindelige regulerer deres blodsukker med insulin I populationen er ca 20 pct af type 2 diabetikerne i insulinbehandling Den relative beskæftigelsesandel for mænd og kvinder er stort set ens 46 pct henholdsvis 47 pct Af de mandlige respondenter, der står udenfor arbejdsmarkedet, er 42 pct pensionister Det tilsvarende tal for kvinderne er 26 pct (kønsopdelingen er ikke gengivet direkte i figurer og tabeller mht arbejdsmarkedstilknytning) Det ses ikke umiddelbart af figur 104

106 55, at erhvervsfrekvensen er ens for mænd og kvinder i relative termer, men det skyldes den forholdsvis store andel af kvindelige type 1 diabetikere Tabel 54 Middelværdi for udvalgte variable, fordelt på undergrupper Variabel Alle resp Type 1 Type 2 Type 2, ikke insulin Køn, kvinde = 1 Alder I beskæftigelse = 1 Motion, antal timer pr uge (gns) Type 1 diabetes = 1 Behandling: DE = 1 Behandling: OAD = 1 Behandling: Insulin = 1 Antal enh insulin pr dag (gns) Har mindst én følgesygdom Forbehold ved injektion = 1 Type 2, insulin Middelværdi (standardafvigelse) ,5671 0,6667 0,5153 0,5149 0,5161 (0,4963) (0,4737) (0,501) (0,5017) (0,5038) 49, , , , ,2258 (12,6314) (12,8355) (9,5109) (9,7996) (8,7935) 0,4631 0,5294 0,4286 0,4701 0,3387 (0,4995) (0,5016) (0,4961) (0,501) (0,4771) 5,9731 5,8137 6,0564 6,3083 5,5161 (5,2478) (5,0123) (5,3777) (5,6087) (4,8443) 0, (0,4753) (0) (0) (0) (0) 0, ,2194 0, (0,352) (0) (0,4149) (0,4686) (0) 0,3691 0,0098 0,5561 0,6716 0,3065 (0,4834) (0,099) (0,4981) (0,4714) (0,4648) 0, , (0,4983) (0) (0,4662) (0) (0) 55, , , ,4355 (31,3358) (26,1566) (37,6388) () (37,6388) 0,6107 0,4314 0,7041 0,6866 0,7419 (0,4884) (0,4977) (0,4576) (0,4656) (0,4411) 0,2135 0,1683 0,241 0,2571 0,2131 (0,4105) (0,376) (0,429) (0,4392) (0,4129) Egenbetaling for diabetesrelateret medicin 244,68 309,64 209,81 166,03 309,45 (gns), DKK/måned (278,51) (304,00) (257,96) (233,47) (284,30) Egenbetaling for diabetesrelateret medicin 300,20 350,92 269,35 216,99 381,87 (gns), DKK/måned, uden nul-besvarelser a (280,19) (300,38) (263,46) (245,44) (268,12) Husstandens egenbetaling for receptpligtig 476,14 538,04 443,07 392,86 556,47 medicin (gns), DKK/måned (537,67) (611,66) (492,17) (446,32) (570,73) Husstandens egenbetaling for receptpligtig 537,28 590,67 507,52 451,44 632,84 medicin (gns), DKK/måned, uden nul-besvarelser b (541,64) (616,19) (494,75) (449,99) (567,48) Sygesikringen danmark, medlem = 1 0,3673 0,25 0,4278 0,4621 0,3548 (0,4829) (0,4352) (0,496) (0,5005) (0,4824) Tilskud fra danmark, gns DKK/måned, 273,10 330,59 247,29 159,92 549,09 hvis medlem (323,43) (350,73) (310,71) (178,88) (464,55) Kendskab til inhaleret insulin = 1 0,3007 0,5 0,1959 0,1591 0,2742 (0,4593) (0,5025) (0,3979) (0,3672) (0,4497) Antal observationer c Anm: Standardafvigelser er angivet i parentes under middelværdierne a Uden nul-besvarelser angiver, at de tilfælde, hvor besvarelsen er 0 kr, er udeladt af beregningen af middelværdi Disse besvarelser kan være reelle, men kan også være et resultat af, at ubesvarede spørgsmål er kodet med 0, jf diskussion af kodning og datareliabilitet i afsnit 36 Antal nul-besvarelser for hver af de fem viste grupper er (fra venstre til højre): 54, 12, 42, 31 og 11 b Se note a: Antal nul-besvarelser for hver af de fem viste grupper er (fra venstre til højre): 33, 9, 24, 17 og 7 c Antallet af observationer for de enkelte variable i tabellen kan afvige fra det totale antal observationer i de viste undergrupper Således er eksempelvis middelværdi for tilskud fra danmark beregnet på baggrund af de respondenter, som rent faktisk er medlem af danmark Afvigelser i antallet af observationer kan også skyldes enkelte spørgsmål, som ikke er besvaret af alle respondenter 105

107 For respondenterne under ét er 55 pct i insulinbehandling Disse indtager i gennemsnit 56 enheder insulin i døgnet Type 2 diabetikerne har i gennemsnit brug for 62 enheder, mens tallet for type 1 diabetikerne er 52 enheder Generelt har type 2 diabetikere i insulinbehandling behov for mere insulin end type 1 diabetikere; overvægt er en af faktorerne For type 2 diabetikerne, der ikke er i insulinbehandling, regulerer en tredjedel deres blodsukker gennem kost og motion (D&E), mens de resterende to tredjedele supplerer med piller (OAD) Det skal bemærkes, at OAD og insulin ikke er gensidigt udelukkende Således får 31 pct af de type 2 diabetikere, som bruger insulin, også tabletter (i alt 19 respondenter Resultatet er ikke gengivet i tabeller og figurer) Andelen af respondenter, der har mindst én diabetesrelateret følgesygdom er 61 pct Mens andelen er 43 pct hos type 1 diabetikerne, har 70 pct af type 2 diabetikerne en eller flere følgesygdomme For de insulinkrævende type 2 diabetikere er andelen 74 pct Som nævnt i afsnit 121 forveksles type 2 diabetes ofte med alderdomstegn eller almindelig svækkelse, hvorfor diabetikerne allerede har pådraget sig diabetesrelaterede følgesygdomme, når diabetes diagnosticeres Risikoen for diabetesrelaterede følgesygdomme reduceres i takt med, at diabetikeren bliver bedre til at styre sit blodsukkerniveau Type 1 diabetikerne har lært at kontrollere deres blodsukker og spise korrekt allerede tidligt i livet og oplever således færre komplikationer som følge af diabetes end type 2 diabetikerne, der oftest får stillet diagnosen sent i livet Således er det for type 2 diabetikerne flere årtiers vaner og uvaner, der skal lægges om, hvis lægens forskrifter om kost, motion og medicinering skal efterleves, hvilket er en svær opgave for mange Da type 2 diabetes desuden kan reguleres uden brug af insulin og ikke umiddelbaret medfører svære gener, føler mange type 2 diabetikere sig ikke som syge, hvorfor de generelt tager mere let på deres sygdom end type 1 diabetikerne I nærværende undersøgelse afspejles dette bla i antallet af blodsukkermålinger Type 1 diabetikerne er generelt bedre til at måle deres blodsukker end type 2 diabetikerne, jf figur 57 Især blandt type 2 diabetikerne, der ikke er i insulinbehandling, er der mange, der slet ikke måler deres blodsukker i løbet af en gennemsnitlig uge, og lige så mange, der kun måler det en enkelt gang (76 pct af de ikkeinsulin-brugende diabetikere måler enten aldrig deres blodsukker eller maksimalt én gang om ugen) Der erindres om, at der er en mulighed for, at enkelte respondenter har misforstået dette spørgsmål pga definitionen af dette (afsnit 364) Umiddelbart vurderes det, at alle værdier over 4-5 målinger pr dag skyldes misforståelse af spørgsmålet (i alt 26 ud af 297 besvarelser) Dette retfærdiggør dog ikke rekodning af data, hvorfor besvarelserne er præsenteret i deres oprindelige form i tabeller og figurer 106

108 Figur 55 Arbejdsmarkedstilknytning, fordelt på diabetestype og køn, pct Figur 56 Køn, fordelt på diabetestype og insulinbehandling, pct Figur 57 Blodsukkermålinger, fordelt på diabetestype og insulinbeh, pct 107

109 Det bemærkes også, at type 1 diabetikere synes at være bedre til at holde sig ajour på diabetesområdet end type 2 diabetikere Således har halvdelen af respondenterne med type 1 diabetes kendskab til inhaleret insulin, mens det tilsvarende tal for type 2 er 20 pct Egenbetaling for diabetesrelateret medicin Respondenterne har en gennemsnitlig månedlig egenbetaling for diabetesrelateret medicin på 300 kr Ikke overraskende er det type 2 diabetikerne, der ikke er i insulinbehandling, som har den mindste egenbetaling til medicin Gennemsnittet for denne undergruppe er 217 kr pr måned, mod 382 kr for type 2 diabetikere i insulinbehandling og 351 kr for type 1 diabetikerne For de insulinkrævende respondenter i stikprøven er egenbetalingen således en del mere end de 125 kr, som Thybo (2003) anser som værende den månedlige egenbetaling til insulin for en gennemsnitlig diabetiker i Danmark, jf afsnit Dog er der i respondenternes besvarelser også inkluderet udgifter til andre former for medicin end insulin 37 pct af respondenterne er medlem af Sygesikringen danmark Med 25 pct er andelen mindst blandt type 1 diabetikerne, hvilket kan forklares med, at denne undergruppe ofte får stillet diagnosen tidligt i livet; og medlemskab af danmark kan ikke opnås efter dette tidspunkt For type 2 diabetikerne er andelen 43 pct; 46 pct for ikke-insulinbrugere og 35 pct for type 2 diabetikere i insulinbehandling Det gennemsnitlige tilskud fra danmark er 273 kr pr måned Da type 2 diabetikerne, der ikke bruger insulin, har de mindste udgifter til medicin, er tilskuddet også mindst for denne undergruppe; i gennemsnit 160 kr pr måned For type 2 diabetikere i insulinbehandling er gennemsnittet hele 549 kr, hvilket formentligt skyldes, at enkelte respondenter har opgivet tilskuddet på årsbasis Type 1 diabetikerne får i gennemsnit 331 kr i tilskud pr måned Respondenternes kommentarer til undersøgelsen Afsnit 52 rundes af med en summering af respondenternes kommentarer til undersøgelsen og vedrørende diabetes generelt (spm 49, sidste spørgsmål i spørgeskemaet) Kommentarerne gengives ikke i deres helhed hverken i specialeafhandlingen eller i bilag Hovedtrækkene er i stedet gengivet i punktopstilling i det følgende, ligesom nogle af de problemstillinger, som tages op af respondenterne, diskuteres nærmere i afsnit 6 I alt 125 respondenter har valgt at skrive en kommentar til undersøgelsen af den ene eller anden slags Tallene i parentes angiver hvor mange respondenter, som har nævnt problemstillingen (cirka): 39 I ovenstående præsentation er der taget udgangspunkt i den gennemsnitlige egenbetaling uden nul-besvarelser, jf bla afsnit 364 Enkelte af disse nul-besvarelser kan være reelle nok, hvilket betyder at de gennemsnitlige månedlige egenbetalinger vil blive mindre Se tabel 54 for de tilsvarende middelværdier uden eksklusion af nulbesvarelser Dertil kommer, at åbne spørgsmål generelt er behæftet med en større usikkerhed end lukkede spørgsmål (det kan være svært at huske den præcise månedlige egenbetaling) 108

110 Inhalator er generelt en god idé smart (21): De fleste af disse respondenter har dog samtidig et eller flere forbehold overfor brug af inhalator Præference for pen/vælger det kendte (14): Heraf angiver otte af disse, at deres valg skyldes manglende kendskab til inhalator De vælger derfor det kendte; pennen Fire respondenter taler om, at de vælger pennen pga vane (de har levet med pen i mange år) Størrelse på apparatet (14): Disse respondenter mener på den ene eller anden måde, at inhalator er for klodset i dens nuværende udformning Den skal være let at have med Enkelte nævner dametaske-problematikken, dvs inhalatoren skal kunne transporteres i en almindelig håndtaske Usikkerhed/manglende information om inhalator og generelt forbehold overfor ny behandlingsmetode: Bekymringer vedrørende doseringssikkerhed (9) Bekymringer vedrørende bivirkning i form af hoste (5) Bekymringer vedrørende andre former for bivirkninger, herunder langtidseffekterne ved brug af inhaleret insulin (4) Bekymringer om brug i sammenhæng med astma-inhalator (2) Mangler mere information vedrørende inhalator generelt (4) Gentagne behandlinger (4): Det er besværligt at skulle gentage behandlingen flere gange, hvis der bruges mere end 10 enheder insulin pr behandlingstidspunkt Egenbetaling for behandling: Egenbetaling for inhalator er for høj: Vælger pen (10) Egenbetaling for diabetesbehandling er generelt for høj Hertil kommer, at den anbefalede, sunde kost også tærer på husholdningsbudgettet Det burde være billigere måske endda gratis at blive behandlet for kronisk lidelse som diabetes (7) Integreret blodsukkermåler (7): Syv respondenter nævner direkte en stærk præference for et apparat med indbygget blodsukkermåler Enkelte af disse giver udtryk for, at det er ligegyldigt, hvilket apparat blodsukkermåleren bliver indbygget i: De vil i givet fald vælge denne Undersøgelsen og forståelsen af denne: God undersøgelse (13) Udformning af valgspørgsmål: Enkelte synes, at der mangler alternative valgscenarier (2) eller har problemer med besvarelse af hypotetiske spørgsmål (7), feks fordi vedkommende ikke bruger insulin endnu 109

111 Andre: Enkelte mangler information i spørgeskemaet (3), spørgeskemaet burde have været mindre omfattende (1), og skemaet er meget økonomisk fokuseret (1) Udover ovenstående, som har direkte relevans for specialeafhandlingen, vedrører de gennemgående kommentarer beskrivelse af respondentens sygdomssituation og nuværende behandling (feks præcision af hvilken type pen og dosering vedkommende pt bruger) Respondenternes kommentarer tages som nævnt op i afsnit 6, da disse kan være med til at belyse resultaterne fra analyserne og sætte dem i perspektiv 53 Stikprøvens repræsentativitet For at resultaterne af undersøgelsen kan generaliseres til populationen af danske diabetiker er det nødvendigt, at stikprøven er repræsentativ Dette undersøges i det følgende med hensyn til diabetestype, køn og aldersfordeling Det havde endvidere været ønskværdigt at teste repræsentativiteten for kønnenes fordeling på diabetestyper, men tal, der kombinerer køn og diabetestype, måles endnu ikke i det nationale diabetesregister eller andre steder for den sags skyld (så vidt vides) 531 Diabetestype Ud af de ca danskere, der er diagnosticeret med diabetes, har ca 17 pct type 1, mens de resterende 83 pct er diagnosticeret med type 2 (wwwstenodk 2006a) Respondenterne i nærværende undersøgelse udgøres af 102 type 1 og 196 type 2 diabetikere I relative termer udgør type 1 diabetikerne således 34 pct af den samlede stikprøve, mens type 2 diabetikerne udgør 66 pct Uden decideret at teste hypotesen må det altså konstateres, at undersøgelsen ikke er repræsentativ med hensyn til diabetestype Dette skyldes ikke mindst, at type 1 diabetikerne som nævnt er oversamplede i undersøgelsen 532 Køns- og aldersfordeling Sundhedsstyrelsen (2006a) har netop offentliggjort tal fra det nationale diabetesregister Disse bruges til at teste køns- og aldersfordelingens repræsentativitet (de offentliggjorte 2005-tal er dog stadig foreløbige) Tabel 55 viser populationens og stikprøvens aldersfordeling, fordelt på køn Den samlede kønsfordeling i stikprøve og population ses i rækken total i tabel 55 Respondenterne i nærværende undersøgelse tæller 169 kvinder og 129 mænd Kvinderne er altså overrepræsenteret i stikprøven med en andel på 57 pct mod mændenes 43 pct (mod 49 pct kvinder og 51 pct mænd i populationen) Pearson s χ 2 for hypotesen om at kønsfordelingen i population og stikprøve er ens (nulhypotesen) afvises (χ 2 (1) = 6,83; p-værdi = 110

112 0,009) 40 Ifølge Danmarks Statistik var der pr 1 januar kvinder og mænd i Danmark (den samlede befolkning) altså omtrent en fifty-fifty fordeling (50,5 henholdsvis 49,5 pct) 41 Nulhypotesen om ens kønsfordeling afvises også ved test imod denne kilde (p-værdi = 0,032) Stikprøvens fordeling på køn er altså ikke repræsentativ hverken i forhold til populationen af diabetikere eller for den danske befolkning generelt Modsat diabetestype og køn er det lidt sværere rent intuitivt at vurdere, om aldersfordelingen er repræsentativ Således er Pearson s χ 2 også beregnet for aldersfordelingen for henholdsvis mænd og kvinder samt mænd og kvinder under ét Resultatet ses nederst i tabel 55 Tabel 55 Aldersfordeling i population og stikprøve Populationen Stikprøven Frekvens, abs Frekvens, pct Frekvens, abs Frekvens, pct Aldersgruppe: Mand Kvinde Mand Kvinde Mand Kvinde Mand Kvinde år ,6 0, ,3 0, år ,9 1, ,3 5, år ,3 3, ,4 9, år ,3 4, ,4 15, år ,9 7, ,1 19, år ,9 11, ,1 5, år ,8 11, ,7 0,7 80+ år ,9 9, ,0 0,0 Total ,9 49, ,3 56,7 Mænd: Pearson s χ 2 (7) = 54,72 (p-værdi < 0,001) Kvinder: Pearson s χ 2 (7) = 234,90 (p-værdi < 0,001) Mænd og kvinder: Pearson s χ 2 (7) = 255,88 (p-værdi < 0,001) Kilde: Sundhedsstyrelsen (2006a, 5) Anm: Bemærk at totaler for populationen afviger fra summen af populations-kategorierne Dette skyldes afrunding af resultater i Sundhedsstyrelsen (2006a) Nulhypotesen om ens fordeling for populationens og stikprøvens tal afvises i alle tre tests Aldersfordelingen i stikprøven er således ikke repræsentativ, hverken generelt eller separat for mænd og kvinder Output fra repræsentativitetstests er gengivet i bilag C2 Da stikprøven udgør en meget lille del af populationen, kan det være svært at ramme det rigtige antal respondenter i de respektive alderskategorier, hvorfor resultatet ikke er overraskende, om end uhensigtsmæssig i forhold til generalisering af undersøgelsens resultater Afslutningsvis skal det bemærkes, at 35 pct af respondenterne angiver, at de ryger, mens den tilsvarende andel for befolkningen generelt er 24,7 pct Det er ikke nødvendigt at teste for at konstatere, at stikprøven ikke er repræsentativ mht rygning 40 Mere specifikt er der tale om en test for afhængighed (nulhypotesen) versus uafhængighed (alternativhypotesen) mellem rækker og kolonner i en tovejs-tabel: feks kønsopdeling populationshenholdsvis stikprøvefordeling Tallet i parentes angiver antallet af frihedsgrader, som er brugt til beregning af χ 2 testværdien 41 Se blandt andet wwwstatistikbankendk, tabel BEF1A07 111

113 54 Valgspørgsmål CVM For at undersøge respondenternes betalingsvillighed for inhalatoren, når de spørges direkte, er to CVM spørgsmål (payment cards) indarbejdet i spørgeskemaet, ligesom tre dichotomous choice spørgsmål bla har til hensigt at belyse niveauet for den maksimale betalingsvillighed for inhalatoren Resultaterne af besvarelsen af disse spørgsmål præsenteres i det følgende I tabel 56 refererer valg 1 til spørgsmål 28 i spørgeskemaet Her skal respondenterne tage stilling til, hvorvidt de vil vælge pen eller inhalator, såfremt egenbetalingen for de to produkter er nøjagtig den samme 40 pct af respondenterne vil i dette tilfælde vælge inhalator frem for pen Med andre ord foretrækker 60 pct af respondenterne pennen, selvom en alternativ brug af inhalator ikke medfører ekstra udgifter Dette indikerer altså, at pennens karakteristika samlet set virker mere tiltalende for respondenterne end inhalatorens egenskaber Når merprisen på inhalatoren stiger, falder andelen af respondenter, der foretrækker inhalatoren Når inhalatoren koster 150 kr mere end pennen, foretrækker kun 21 pct af respondenterne den inhalerede insulin (spm 29), og når merprisen er 400 kr, er andelen blot 8 pct (spm 30) Payment card 1 og 2 refererer til spørgsmål 46 og 47 i spørgeskemaet Respondenterne skal her angive deres betalingsvillighed for en inhalator på 100 gram og med sandsynlighed for mild, kortvarig hoste i forbindelse med brug I det andet payment card spørgsmål er inhalatoren endvidere beskrevet ved en indbygget dagbogsfunktion Således kan respondenternes direkte værdisætning af dagbogsfunktionen belyses Det bemærkes, at vægten på inhalatoren er sat til 100 gram, hvilket er det halve af, hvad der på nuværende tidspunkt er realistisk Dette skyldes et ønske om at belyse betalingsvilligheden for en inhalator med en efter bla fokusgruppemedlemmernes tilkendegivelser - mere optimal størrelse Det skal endvidere bemærkes, at der for hvert payment card spørgsmål er opgivet resultater henholdsvis med og uden respondenter, der har angivet en betalingsvillighed på nul kr eller ikke har besvaret spørgsmålene, hvilket fejlagtigt også kan være kodet som nul Medtages alle besvarelser er den gennemsnitlige betalingsvillighed 133 kr i måneden for en inhalator uden dagbogsfunktion og 151 kr for en inhalator med dagbogsfunktion Fjernes nulbuddene fra beregningen af den gennemsnitlige betalingsvillighed stiger beløbene til henholdsvis 237 kr og 262 kr Respondenternes betalingsvillighed for inhaleret insulin ligger altså i omegnen af den gennemsnitlige egenbetaling for deres nuværende forbrug af diabetesrelateret medicin, jf tabel 54, og de er ikke villige til at betale mere end kr pr måned for dagbogsfunktion indbygget i inhalatoren 112

114 Tabel 56 Deskriptiv statistik for valgspørgsmål Variabel N Middelværdi Standard afvigelse Diskrete valg (inhalator = 1; pen = 0): Valg1, ingen forskel i pris 286 0,3951 0, Valg2, merpris inhalator: 150 kr 290 0,2069 0, Valg3, merpris inhalator: 400 kr 289 0,0830 0, Payment Cards (PC 1 = ingen dagbog; PC 2 = dagbog): Payment Card 1: betaling for inhalator, DKK ,82 172, Payment Card 1: betaling for inhalator, DKK (uden nulbud) a ,67 168, Payment Card 2: betaling for inhalator, DKK ,51 196, Payment Card 2: betaling for inhalator, DKK (uden nulbud) a ,83 195, Kalibrering af DCE valgsæt: Sværhedsgrad af valgspm, meget let (1) til meget svært (10) 298 4,0973 2, Konfidensgrad ved valgspm, meget usikker (1) til meget sikker (10) 298 7,3456 2, a: Uden nulbud angiver, at alle respondenter, som har svaret 0 i payment card, er holdt uden for beregningen, hvilket naturligvis resulterer i en større middelværdi 129 respondenten er holdt udenfor beregningen for PC 1, og 125 er holdt udenfor for PC 2 Min Max Tabel 57 Middelværdi for valgspørgsmål, fordelt på undergrupper Variabel Alle resp Type 1 Type 2 Type 2, ikke insulin Type 2, insulin Middelværdi (standardafvigelse) Diskrete valg (inhalator = 1; pen = 0): Valg1: Inhalator = 1, 0,3951 0,4242 0,3797 0,4488 0,2333 ingen forskel i pris (0,4897) (0,4967) (0,4866) (0,4993) (0,4265) Valg2: Inhalator = 1, 0,2069 0,26 0,1789 0,2 0,1333 merpris inhalator: 150 kr (0,4058) (0,4408) (0,3843) (0,4015) (0,3428) Valg3: Inhalator = 1, 0,083 0,08 0,0847 0,093 0,0667 merpris inhalator: 400 kr (0,2764) (0,2727) (0,2791) (0,2916) (0,2515) Payment Cards: Payment Card 1: betaling for inhalator 132,82 134,85 131,79 158,27 75,00 (ingen dagbog), DKK (172,22) (168,80) (174,36) (189,91) (117,61) Payment Card 1: betaling for inhalator 236,67 256,73 227,43 233,89 202,17 (ingen dagbog), DKK (uden nulbud) (168,13) (151,15) (175,25) (188,70) (107,11) Payment Card 2: betaling for inhalator 150,51 168,50 141,24 167,80 84,68 (dagbog), DKK (196,71) (219,12) (184,01) (194,69) (144,74) Payment Card 2: betaling for inhalator 261,83 306,36 240,35 246,11 218,75 (dagbog), DKK (uden nulbud) (195,35) (212,14) (183,85) (190,54) (157,98) Kalibrering af DCE valgsæt: Sværhedsgrad af valgspm, 4,0973 3,7353 4,2857 4,2612 4,3387 meget let (1) til meget svært (10) (2,4122) (2,2556) (2,4745) (2,4858) (2,4691) Konfidensgrad ved valgspm, 7,3456 7,5882 7,2194 7,4104 6,8065 meget usikker (1) til meget sikker (10) (2,3177) (2,168) (2,3875) (2,2585) (2,6167) Antal observationer a Anm: Standardafvigelser er angivet i parentes under middelværdierne a: Antallet af observationer for de enkelte variable i tabellen kan afvige fra det totale antal observationer i de viste undergrupper Afvigelser i antallet af observationer kan bla skyldes enkelte spørgsmål, som ikke er besvaret af alle respondenter Tabel 57 viser stort set det samme som ovenstående tabel 56, men med den forskel, at resultaterne også er angivet for undergrupper af stikprøven Den største andel af respondenter, der foretrækker inhalator ved ens egenbetaling på inhalator og pen, findes i gruppen af type 2 113

115 diabetikere, der ikke er i insulinbehandling Andelen er i denne undergruppe 45 pct - mod en andel på 42 pct i undergruppen af type 1 diabetikere I undergruppen af type 2 diabetikere i insulinbehandling er andelen, der foretrækker inhalatoren, blot 23 pct Der kan således konstateres en relativ stor forskel i valgmønsteret i de to grupper af type 2 diabetikere Derimod er andelen, der vælger inhalator, meget ens for type 1 diabetikerne og type 2 diabetikerne, der ikke er i insulinbehandling Når prisen på inhalatoren stiger i forhold til pennen, falder andelen af respondenter, der vælger førstnævnte alternativ Dette gælder alle undergrupper Andelene vedbliver at være forskellige for de to undergrupper af type 2 diabetikere, mens andelene for type 1 diabetikere og type 2 diabetikerne, der ikke er insulin-brugere, generelt er meget ens Betalingsvilligheden for en inhalator uden dagbogsfunktion er størst for type 2 diabetikerne, der ikke er i insulinbehandling, når nulbuddene også medtages Denne gruppe er i gennemsnit villige til at betale 158 kr i måneden for brug af inhalator til administration af insulin Type 1 diabetikernes betalingsvillighed er 135 kr, mens beløbet for de insulinkrævende type 2 diabetikere blot er 75 kr Fjernes nulbuddene fra gennemsnitsberegningerne bliver type 1 diabetikernes betalingsvillighed størst: 257 kr mod en betalingsvillighed på 234 kr hos ikkeinsulinkrævende type 2 diabetikere Samtidig stiger betalingsvilligheden hos type 2 diabetikerne i insulinbehandling til hele 202 kr, hvilket indikerer, at der har været en del nulbud i den relativt lille gruppe For en inhalator med dagbogsfunktion er betalingsvilligheden størst hos type 1 diabetikerne; både med og uden nulbud Den mindste betalingsvillighed tilfalder stadig gruppen af ikkeinsulinbrugere blandt type 2 diabetikerne Generelt er det altså type 1 diabetikerne og ikke-insulinbrugerne blandt type 2 diabetikerne, der synes mest villige til at anvende inhalator til administration af insulin, ligesom det også er disse grupper, der tilkendegiver den største betalingsvillighed for produktet Det var netop forventningen, at type 2 diabetikerne, der ikke er i insulinbehandling, ville være mest interesseret i inhaleret insulin, jf afsnit 14 Derimod er det bemærkelsesværdigt, at der er så stor forskel på de to undergrupper af insulinbrugere, og at type 1 diabetikerne er dem, der er villige til at betale mest for inhaleret insulin Dette kan dog hænge sammen med, at der i gruppen af type 2 diabetikere i insulinbehandling er mange ældre, og disse kan formodes at være mere risikoaverse end de relativt yngre type 1 diabetikere (se afsnit 351) Således vil insulinbrugerne blandt type 2 diabetikere være mere tilbageholdende med at prøve et nyt præparat end type 1 diabetikerne, der generelt synes at være bedre informeret om udviklingen 114

116 på diabetesområdet, hvilket også kan være af betydning for denne gruppes relativt større åbenhed overfor inhaleret insulin Det skal i forlængelse heraf bemærkes, at type 2 diabetikerne i insulinbehandling er mere usikre i deres besvarelser end de øvrige undergrupper Dette ses af resultaterne af sikkerhedskalibreringen nederst i tabel 57 Derimod føler netop type 1 diabetikerne sig mest sikre i deres besvarelser, ligesom denne undergruppe også finder svarprocessen lettest Afslutningsvis er det relevant at kommentere på svarene til spm 48, hvor rygere bedes tage stilling til, hvorvidt de er villige til at forsøge at kvitte tobakken for at kunne benytte inhalator (resultater ikke gengivet her se bilag C1) Af de 104 respondenter (35 pct), der har angivet, at de ryger, svarer 36 pct at de ville forsøge at kvitte tobakken, 29 pct svarer nej og de resterende knap 36 pct svarer ved ikke Som nævnt kan det undre at 35 pct af diabetikerne er rygere (bortset fra en evt alderseffekt) Derimod virker det plausibelt, at kun en tredjedel er villig til at forsøge at holde op med at ryge for at kunne benytte inhalator Det er nemlig ikke i sig selv et incitament til at holde op med at ryge, så længe der eksisterer alternative behandlingsmetoder (pen) Nærværende afsnit har belyst respondenternes direkte betalingsvilligheder for inhalator I resten af afsnit 5 værdisættes både pen og inhalator samt produkternes respektive egenskaber indirekte, med udgangspunkt i resultaterne fra valgsættene i spørgeskemaet (spm 32 43) 55 Valgsæt DCE I det følgende belyses respondenternes svarmønstre kort, førend resultaterne fra modellerne præsenteres Figur 58 gengiver respondenternes gennemsnitlige besvarelser af valgsættene, idet den relative fordeling summer til 100 pct for hver af de tre præsenterede undergrupper En simpel optælling af svarfrekvenserne for de 3576 besvarede valgspørgsmål under ét viser, at respondenterne i 58 pct af tilfældene har valgt pen og i 26 pct af tilfældene har valgt inhalator Det er færre end de 40 pct, som valgte inhalator i spm 28 (tabel 56), men det kan til dels skyldes, at der i forbindelse med DCE er medtaget et opt-out, som overordnet set er valgt i 16 pct af tilfældene Type 1 diabetikere og type 2 diabetikere, som ikke bruger insulin, ser umiddelbart ud til at have en større præference for inhalator sammenlignet med type 2 insulinbrugerne Det samme var tilfælde for de simple valgspørgsmål og payment cards (afsnit 54) Hvor type 2 insulinbrugerne er den gruppe, som synes mest usikre i deres besvarelser af valgsættene (lav konfidensgrad og høj sværhedsgrad tabel 56), ses det til gengæld af figur 58, at det er de diabetikere, der pt ikke bruger insulin, som har valgt opt-out alternativet relativt 115

117 flest gange Dette stemmer meget godt overens med forventningerne: Det kan være svært for respondenterne at skulle forholde sig til en hypotetisk situation, men når valgsituationen samtidig ikke er aktuel for respondenterne (og måske ikke bliver det de næste mange år), så bliver det endnu sværere Således en deraf følgende tilbøjelighed til at vælge ingen af delene Figur 58 Respondenternes gennemsnitlige valg i DCE valgspørgsmålene De ovenfor præsenterede frekvenser er simple sammentællinger på tværs af spørgeskemaversioner, og der tages således ikke højde for, at besvarelserne for hvert af de 36 valgsæt (og dermed besvarelserne af hvert af de 3 spørgeskemaer) tager udgangspunkt i forskellige kombinationer af attributniveauer, som ikke er sammenlignelige I forbindelse med ovenstående skal der derfor tages forbehold for, at fordelingen af besvarelser på de tre spørgeskemaversioner (for de tre undergrupper af diabetikere) ikke nødvendigvis er ens Som det fremgik af tabel 51 er besvarelserne dog nogenlunde ligeligt fordelt på de tre spørgeskemaversioner for type 1 henholdsvis type 2 diabetikere Valg af eksperimentelt design og begrundelse af dette blev gennemgået i afsnit 33 I den forbindelse blev de 36 valgsæt præsenteret i tabel 33 Valgsættene fra tabel 33 er gengivet i tabel 58, og der er nu tilføjet absolutte og relative valgfrekvenser for de enkelte valgsæt Valgsættet med den største og mindste relative frekvens for inhalator er markeret med grå baggrund i tabellen for hver spørgeskemaversion Bemærk i øvrigt, at opt-out alternativet er udeladt af beregningen af den relative frekvens for inhalator De ekstreme relative frekvenser opstår som ventet der, hvor respondenterne bliver presset på prisen (egenbetaling for behandling pr måned) De laveste relative frekvenser for inhalator opstår således, hvor egenbetalingen for denne er 1500 kr/måned og hvor egenbetalingen for pen er mindre end 1500 kr/måned 116

118 Tabel 58 Frekvenser for valgsættene # Skema Attributkombinationer for pen Attributkombinationer for inhalator N Inh valgt Inh (pct) Inh/ pen valgt Str Dagbog Int måler Egenbet Str Dagbog Hoste Egenbet (1) (2) (3=2/4) (4) Ja Ja Ja Ja , Ja Nej Ja Ja , Ja Nej Ja Nej , Nej Ja Nej Nej , Ja Ja Ja Nej , Ja Nej Ja Nej , Ja Nej Nej Ja , Nej Ja Ja Ja , Ja Nej Nej Ja , Nej Ja Ja Nej , Nej Ja Nej Nej , Nej Nej Nej Ja , Ja Ja Nej Nej , Ja Nej Ja Ja , Nej Ja Ja Ja , Ja Ja Nej Nej , Ja Ja Nej Ja , Nej Nej Nej Nej , Nej Nej Ja Ja , Ja Ja Ja Nej , Ja Ja Nej Ja , Nej Ja Ja Nej , Nej Nej Ja Nej , Nej Nej Nej Ja , Ja Nej Nej Nej , Nej Ja Nej Ja , Nej Ja Ja Ja , Nej Nej Nej Nej , Nej Nej Nej Nej , Ja Ja Nej Nej , Nej Ja Ja Ja , Nej Nej Nej Ja , Nej Nej Ja Nej , Ja Ja Nej Ja , Ja Nej Ja Nej , Ja Nej Ja Ja , Anm: Str = Størrelse på apparatet, målt i gram; Dagbog = Er dagbogsfunktion indbygget; Hoste = kan mild, kortvarig hoste forekomme; Egenbet = Egenbetaling for behandling pr måned, målt i danske kr (1) Antal besvarede skemaer (version 1, 2 og 3) (2) Antal respondenter, der har valgt inhalator i det pågældende valgsæt (3) Valg af inhalator, relativt i forhold til valg af pen, når Ingen af de to kategorien holdes uden for beregningen (4) Antal respondenter, der har valgt enten pen eller inhalator i det pågældende valgsæt De højeste relative frekvenser for pen opstår, hvor egenbetaling for inhalator er lille relativt til egenbetaling for pen Egenbetaling er altså stadig en væsentlig faktor i respondenternes valg (på samme måde som i pilotundersøgelsen), men det ser trods alt ud til, at respondenterne også foretager afvejning af præferencer for de øvrige attributter når der ses bort fra de valgsæt, hvor egenbetalingsniveauet 1500 kr optræder Udover ovenstående er der også observeret en række tilfælde, hvor den enkelte respondent har valgt det samme alternativ i alle eller næsten alle valgspørgsmål Sådanne besvarelser, hvor 117

119 der optræder et dominerende alternativ, kan være udtryk for en egentlig præference for dette alternativ, men det kan også skyldes usikkerhed hos respondenten eller en meget forsimplet form for heuristik (respondenten vælger et alternativ pen eller inhalator fra starten og holder sig til dette alternativ) Som det ses af figur 59, er det især i relation til pennen, at der ses besvarelser med et dominerende alternativ og dermed måske en dominerende (a priori) præference for pennen Dette forhold undersøges nærmere i afsnit 56, hvor respondenter med dominerende besvarelser forsøgsvis ekskluderes fra modelestimeringen Undersøgelsen fokuseres på de tilfælde, hvor en respondent udelukkende har valgt ét bestemt alternativ (svarende til kategorierne valgt 12 gange i figur 59) Figur 59 Fordelingen af respondenternes gentagne valg af alternativerne Figur 510 Respondenternes rangordning af attributterne, på diabetestype 118

120 Endelig er det relevant kort at berøre respondenternes rangordning af de fem attributter, som indgår i designet (spm 31) Figur 510 viser en box-whisker graf, som angiver fordelingen af respondenternes besvarelser omkring medianen på en ordinalskala, som går fra kategorien vigtigst (1) til kategorien mindst vigtig (5) Fordelingen er angivet for hver af de fem attributter, fordelt på diabetestype Medianen er markeret med et kryds, og enderne af de solide bokse angiver fordelingens 25 og 75 percentil Besvarelserne for attributterne er indbyrdes afhængige, dvs respondenterne har skullet prioritere de fem attributter med værdier fra 1 til 5 og hver værdi må kun bruges én gang En del af respondenterne har ikke kunnet besvare rangordningen konsistent Besvarelserne fra disse respondenter er holdt udenfor præsentationen i figur 510 Det ses, at især integreret blodsukkermåler er høj prioritet for de respondenter, som i dag bruger insulin Det samme gælder for ikke-insulinbrugerne, men ikke i samme grad: Disse prioriterer egenbetaling for behandling højest Dernæst kæmper størrelse og egenbetaling om pladsen som den 2 vigtigste attribut (størrelse og integreret blodsukkermåler for ikke-insulinbrugerne) Endelig er det hoste og indbygget dagbogsfunktion, der deler pladsen som den mindst vigtige attribut Tendensen er, at type 1 diabetikerne lægger mindst vægt på hosteattributten, og at type 2 diabetikerne lægger mindst vægt på indbygget dagbogsfunktion Estimater for standardmodeller I det foregående afsnit blev respondenternes svarmønster i valgsættene belyst Hermed afsluttes den deskriptive gennemgang af undersøgelsens resultater I det følgende præsenteres og kommenteres resultater fra de estimerede discrete choice modeller og for de betalingsviljeog velfærdsestimater, som kan udledes heraf Tabel 59 præsenterer en oversigt over de estimerede modeller med en kort forklaring af formålet med disse modeller Desuden er modellernes korte navne gengivet i tabellen, så det er let at genfinde output fra disse i bilag Output fra modellerne er gengivet i bilagssektion D Modellerne er inddelt i fem grupper For hver modeltype er der opstillet mellem tre og fem modeller afhængigt af antallet af relevante undergrupper Resultaterne vedrørende kompenserende variation ved en kvalitetsændring for pen og inhalator (afsnit 58) fremgår ikke direkte af tabel 59, men disse tager udgangspunkt i modellerne I01-I05 Det er ikke alle de nævnte modeller, som præsenteres eksplicit i det følgende 42 Vurderingerne er udover figur 510 baseret på middelværdier for spm 31 Disse gengives ikke her 119

121 Tabel 59 Oversigt over modeller Beskrivelse Model WTP estimater Standardmodeller, uden interaktioner (estimater for pen og inhalator under ét): Undergruppe: alle respondenter A01 WA01 Undergruppe: type 1 diabetikere A02 WA02 Undergruppe: type 2 diabetikere A03 WA03 Undergruppe: type 2 diabetikere, der ikke bruger insulin A04 WA04 Undergruppe: type 2 diabetikere, der bruger insulin A05 WA05 Standardmodeller, men med dominerende svar ekskluderet fra estimeringen: Undergruppe: alle respondenter AX01 WAX01 Undergruppe: type 1 diabetikere AX02 WAX02 Undergruppe: type 2 diabetikere AX03 WAX03 Modeller til estimering af status-quo alternativet (pen-brugere): Undergruppe: alle pen-brugere SQ01 WSQ01 Undergruppe: alle type 1 pen-brugere SQ02 WSQ02 Undergruppe: alle type 2 pen-brugere SQ03 WSQ03 Undergruppe: alle respondenter SQ04 WSQ04 Modeller til estimering af samlet betalingsvilje for pen og inhalator a : Undergruppe: alle respondenter I01 PENx_1/INHx_1 Undergruppe: type 1 diabetikere I02 PENx_2/INHx_2 Undergruppe: type 2 diabetikere I03 PENx_3/INHx_3 Undergruppe: type 2 diabetikere, der ikke bruger insulin I04 PENx_4/INHx_4 Undergruppe: type 2 diabetikere, der bruger insulin I05 PENx_5/INHx_5 Standardmodeller, estimering med heteroskedastisk logit model: Undergruppe: alle respondenter H01 WH01 Undergruppe: type 1 diabetikere H02 WH02 Undergruppe: type 2 diabetikere H03 WH03 Undergruppe: type 2 diabetikere, der ikke bruger insulin H04 WH04 Undergruppe: type 2 diabetikere, der bruger insulin H05 WH05 Anm: Modeloutput er gengivet i bilags-sektion D, idet der i bilag er refereret til modellernes korte navne, dvs feks A01 eller WA01 a: For hver af disse modeller er der estimeret 4 samlede betalingsviljer: Nuværende pen (PEN0), Alternativ pen (PEN1), Nuværende inhalator (INH0), Alternativ inhalator (INH1) 561 Parameterestimater for standardmodeller I nærværende underafsnit præsenteres resultaterne fra standardmodellerne Standardmodellerne udgøres af fem conditional logit modeller: En for alle respondenter under ét, en for type 1 diabetikerne, en for type 2 diabetikerne samt yderligere to for type 2 diabetikerne, der henholdsvis bruger og ikke bruger insulin Opdelingen i disse undergrupper skal naturligvis ses i lyset af, at et af målene med denne afhandling er at undersøge, hvorvidt type 2 diabetikere oplever større nytte ved inhaleret insulin end type 1 diabetikere, og om insulinbrugernes nytte er mindre end ikke-insulinbrugernes I alle fem standardmodeller er pen og inhalator beskrevet ved de samme attributter Begge alternativer er beskrevet ved attributterne størrelse, dagbogsfunktion og egenbetaling, mens integreret blodsukkermåler er specifik for pen, og mild, kortvarig hoste er specifik for inhalator Begrundelsen for valg af attributter er beskrevet i afsnit 32 Tabel 510 viser parameterestimaterne for de fem conditional logit standardmodeller såvel som test for modellernes fit 120

122 Tabel 510 Sammenligning af estimater, standardmodeller Alle resp Type 1 Type 2 Type 2, ikke insulin Type 2, insulin b/se b/se b/se b/se b/se Størrelse, gram -0,00078*** -0,00143*** -0,00045* -0,00064* 0,00001 (0,000) (0,000) (0,000) (0,000) (0,000) Dagbogsfunktion indbygget 0, , , , ,01263 (0,019) (0,037) (0,022) (0,029) (0,034) Integreret blodsukkermåler 0,16995*** 0,31289*** 0,09813** 0,14050** 0,02740 (0,034) (0,068) (0,037) (0,046) (0,060) Mild, kortvarig hoste -0,17376*** -0,18014*** -0,17050*** -0,19059*** -0,12381* (0,032) (0,054) (0,041) (0,052) (0,059) Egenbetaling, kr måned -0,00187*** -0,00192*** -0,00185*** -0,00196*** -0,00171*** (0,000) (0,000) (0,000) (0,000) (0,000) Konstant, pen 2,34480*** 2,54239*** 2,25512*** 2,13263*** 2,58123*** (0,140) (0,238) (0,173) (0,208) (0,314) Konstant, inhalator 1,50818*** 1,90750*** 1,30699*** 1,37629*** 1,19561*** (0,158) (0,279) (0,191) (0,230) (0,353) Chi² 550,48*** 248,41*** 325,30*** 214,65*** 123,32*** Pseudo R² 0,251 0,273 0,243 0,224 0,306 Antal obs Antal klynger Anm: Asterisk angiver signifikansen for modellens overordnede fit samt for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede estimater genfindes i bilag D1 som modellerne A01-A05 Modellerne er estimeret med to alternativspecifikke konstanter for henholdsvis pen og inhalator Da der indgår en opt-out mulighed i designet, havde det også været muligt at estimere en alternativspecifik konstant for basissituationen på bekostning af konstanten for enten pen eller inhalator Parameterestimaterne for attributterne er uafhængige af valg af alternativspecifikke konstanter i modellen; kun konstanterne påvirkes, da disse skal fortolkes relativt med udgangspunkt i alternativet for hvilket, der ikke er estimeret en konstant Da det er forskellen mellem pen og inhalator, der er interessant i nærværende sammenhæng, ville det være oplagt at estimere modellerne med konstanter for henholdsvis status-quo og inhalator På den måde ville pen være basissituationen og inhalatorkonstanten udtrykke den generelle forskel i nytte mellem pen og inhalator Da modellerne i det følgende benyttes til estimering af generelle betalingsvilligheder for pen og inhalator (og ikke merbetalingsvilligheden), er det i stedet valgt at inkludere konstanter for pen og inhalator i modellerne Det er således status-quo som er basissituationen (udgangspunktet for sammenligning) i det følgende Det første, der bemærkes, er, at modellernes overordnede fit er gode Alle modeller har en pseudo R 2 større end 0,2, ligesom resultatet af likelihood ratio testen i alle tilfælde er stærkt signifikant, dvs p < 0,001 (de to mål er beskrevet i afsnit 424) Parameterestimaterne kan fortolkes som nyttevægte, dvs som udtryk for, hvorledes attributterne påvirker nytten ved det pågældende alternativ Forventningerne til parametrenes fortegn 121

123 dannes typisk a priori Forventningerne til attributterne er således angivet i tabel 32b med enten et plus (forventet nytte) eller et minus (forventet disnytte), men forventningerne til attributternes fortegn uddybes kort i det følgende: Størrelsesattributtens koefficient forventes at have et negativt fortegn Nytten ved alternativet må alt andet lige antages at falde i takt med, at udstyret bliver større og/eller vejer mere Indbygget dagbogsfunktion kan opfattes som en tillægsfunktion ved insulinudstyret, der skal gøre det lettere for diabetikeren at kontrollere sit insulinforbrug Der er med andre ord en umiddelbar nytte forbundet med dagbogsfunktionen, hvorfor koefficienten for denne attribut forventes at være positiv Integreret blodsukkermåler er en alternativspecifik attribut for pen og kan på samme måde som dagbogsfunktionen opfattes som en tillægsfunktion, hvorfor fortegnet på blodsukkermålerens koefficient ligeledes forventes at være positiv Mild, kortvarig hoste kan kun forekomme ved brug af inhalator og må betegnes som en gene, der forventeligt er forbundet med disnytte for diabetikeren Når egenbetalingen stiger, falder nytten ved det pågældende alternativ, hvorfor koefficienten for prisattributten forventes at være negativ Dette giver mening rent intuitivt, men skal også ses i lyset af den neoklassiske teoris antagelse (afsnit 22) Som nævnt i afsnit 23 fanger den alternativspecifikke konstant for et alternativ den gennemsnitlige effekt på nytten forårsaget af alle faktorer, der ikke er inkluderet i modellen I nærværende sammenhæng er det realistisk at antage, at de udeladte faktorer har en positiv nettoeffekt på nytten ved pen og inhalator Dvs at nytten ved pen og inhalator som udgangspunkt er positiv Dette skal ses i lyset af, at de alternativspecifikke konstanter skal fortolkes relativt i nærværende sammenhæng i forhold til basissituationen Tabel 510 viser, at parameterestimaterne har de forventede fortegn Én undtagelse findes dog i den sidste model (type 2, insulin), hvor koefficienten for størrelsesattributten er positiv, om end insignifikant Reelt set er denne altså ikke signifikant forskellig fra nul Også koefficienterne for dagbogsfunktion, integreret blodsukkermåler og hoste er insignifikante i denne model (type 2, insulin), der dog kun er baseret på 62 respondenter (klynger) I de øvrige modeller er det udelukkende koefficienten for dagbogsfunktionen, der ikke er signifikant 122

124 Egenbetaling er den eneste attribut, hvis koefficient er signifikant i alle 5 modeller og endda stærkt signifikant, hvilket indikerer, at prisen i høj grad er afgørende for respondenternes valg Ved fortolkningen af proportionerne på koefficienterne skal attributvariablenes skalering haves in mente Feks spænder størrelsesattributten over intervallet gram, og koefficienten udtrykker nyttevægten for 1 gram Således er koefficienten for denne attribut også relativ lille i absolutte termer Det samme gælder for prisattributten (egenbetaling) Det er nødvendigt at være påpasselig med sammenligning af parameterestimaterne på tværs af de fem modeller, jf bla diskussion af skalaparameteren i afsnit 425 Der er således ikke statistisk belæg for at tale om forskelle og ligheder på tværs af modellerne, men det er ikke desto mindre interessant Forskelle og ligheder nævnes kort i det følgende, og problemstillingen tages op igen i afsnit 562, hvor WTP estimaterne for modellerne sammenlignes Det ser ud til, at netop størrelse betyder mest for type 1 diabetikerne, idet den numeriske værdi af koefficienten på størrelsesattributten er størst for denne gruppe Ligeledes tillægges den integrerede blodsukkermåler også størst vægt hos type 1 diabetikerne Dagbogsfunktionen synes derimod at vægte højest hos type 2 diabetikerne, der ikke bruger insulin, og det er også for denne gruppe at p-værdien for test af attributten er mindst; 0,057 For modellen med alle respondenter er den tilsvarende p-værdi 0,09, mens den for type 1 diabetikerne er 0,6 Om end insignifikant på det valgte signifikansniveau (5 pct) men ikke på 10 pct signifikansniveau er det altså hos ikke-insulinbrugerne, at den største præference for dagbogsfunktion findes Dertil kommer, at parameterestimaterne for hoste og egenbetaling er jævnt ens for de fem modeller Dog er hosteestimatet for type 2 insulin kun ca to tredjedele så stort som for de øvrige modeller For denne model er hosteestimatet dog også kun signifikant på et 5 pct signifikansniveau Forskellen kan altså skyldes usikkerhed Endelig skal der kommenteres på de alternativspecifikke konstanter pen og inhalator for hvilke parameterestimaterne i alle tilfælde er stærkt signifikante Overraskende nok ses det, at estimaterne for pen i alle tilfælde er større end den tilsvarende konstant for inhalator Forskellen mellem pen og inhalator er mindst for type 1 diabetikerne (0,63), og det er da også disse respondenter, som har det største estimat for inhalator Umiddelbart er det altså type 1 diabetikerne, der angiver den stærkeste præference for inhalator Den største forskel mellem konstanterne for pen og inhalator skal findes hos gruppen af type 2 diabetikere i insulinbehandling (1,38) Dog bemærkes det, at standardfejlene for pen og inhalator generelt er større for denne gruppe: Der er altså en relativt større usikkerhed forbundet med estimaterne 123

125 for type 2 insulinbrugere, feks fordi en del uobserverede effekter opsamles i konstantleddene (parameterestimaterne og signifikansen af disse er generelt mindre, i absolutte termer, for denne model set i forhold til de øvrige estimerede modeller) Det skal erindres, at der er forskel i status-quo situationen på tværs af de forskellige undergrupper af diabetikere Eksempelvis benytter nogle insulin, mens andre endnu ikke har brug for det Da der sammenlignes med udgangspunkt i status-quo kunne det tænkes, at forskelle i status quo situationen er årsagen til forskelle i præference for pen og inhalator Det vurderes dog ikke at være tilfældet her, da estimaterne for konstanterne og forskellene mellem disse er tilnærmelsesvis ens for alle modeller i tabel 510 Parameterestimater uden dominerende svar Som nævnt i relation til figur 59 har en del respondenter valgt det samme alternativ i alle 12 besvarede valgsæt, dvs de har enten udelukkende valgt pen, udelukkende valg inhalator eller udelukkende valgt status-quo Det drejer sig om i alt 69 respondenter, heraf er 19 type 1 diabetikere og 50 type 2 diabetikere Disse respondenter har tydeligvis ikke afvejet alternativernes karakteristika i beslutningstagningsprocessen De dominerende svar kan dog godt være reelle, idet præferencerne for et alternativ kan være så stærke, at dette altid foretrækkes uanset de andre alternativers karakteristika Antagelserne for estimering af nyttefunktionen holder dog ikke i disse tilfælde, hvorfor det bør overvejes, hvorvidt respondenter med dominerende svar skal ekskluderes Tabel 511 Sammenligning af estimater, dominerende svar ekskluderet Standardmodeller Dominerende svar ekskluderet Alle resp Type 1 Type 2 Alle resp Type 1 Type 2 b/se b/se b/se b/se b/se b/se Størrelse, gram -0,00078*** -0,00143*** -0,00045* -0,00103*** -0,00177*** -0,00060* (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) Dagbogsfunktion indbygget 0, , , , , ,04153 (0,019) (0,037) (0,022) (0,024) (0,044) (0,028) Integreret blodsukkermåler 0,16995*** 0,31289 *** 0,09813 ** 0,21433*** 0,36415 *** 0,12742 ** (0,034) (0,068) (0,037) (0,043) (0,084) (0,046) Mild, kortvarig hoste -0,17376*** -0,18014*** -0,17050*** -0,20034*** -0,20225** -0,20053*** (0,032) (0,054) (0,041) (0,041) (0,066) (0,053) Egenbetaling, kr måned -0,00187*** -0,00192*** -0,00185*** -0,00284*** -0,00259*** -0,00302*** (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) Konstant, pen 2,34480*** 2,54239 *** 2,25512 *** 2,52598*** 2,60657 *** 2,50237 *** (0,140) (0,238) (0,173) (0,155) (0,255) (0,195) Konstant, inhalator 1,50818*** 1,90750 *** 1,30699 *** 1,98911*** 2,28393 *** 1,83189 *** (0,158) (0,279) (0,191) (0,184) (0,318) (0,226) Chi² 550,48*** 248,41 *** 325,30 *** 612,99*** 262,45 *** 373,85 *** Pseudo R² 0,251 0,273 0,243 0,292 0,294 0,296 Antal obs Antal klynger Anm: Asterisk angiver signifikansen for modellens overordnede fit samt for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede estimater genfindes i bilag D1 som modellerne A01-A03 og AX01-AX03 124

126 Tabel 511 sammenholder parameterestimater for de tre første standardmodeller, henholdsvis med og uden dominerende svar I det følgende er det besluttet at lade respondenter med dominerende svar indgå i analyserne Dette skyldes dels, at der i modsat fald ikke er nok observationer til at udføre undergruppeanalyser Dertil kommer, at modeller uden de 69 respondenter ikke producerer væsentligt forskellige resultater i forhold til modellerne i tabel 510 Koefficienterne bliver generelt en smule større i absolutte termer, men det generelle billede ændrer sig ikke Én enkelt undtagelse fra ovenstående bør dog nævnes Især estimaterne for inhalator konstanten bliver større, når de dominerende svar ekskluderes, og som følge heraf formindskes forskellen mellem konstanten for pen og konstanten for inhalator i de enkelte modeller Estimatet for pen er dog stadig størst i alle tilfælde Stigningen i inhalatorkonstanten skyldes uden tvivl, at langt størstedelen af de ekskluderede besvarelser har pen som det dominerende alternativ, jf figur 59 Som nævnt er det besluttet at lade respondenter med dominerende svar indgå i analyserne i det følgende, idet det dog tages ad notam, at estimaterne for inhalatorkonstanten kan være biased i nedadgående retning, dvs konstanten er undervurderet 562 Betalingsvilligheder Med udgangspunkt i parameterestimaterne i tabel 510 og 511 kan størrelse, dagbogsfunktion, integreret blodsukkermåler og hoste værdisættes Dette gøres ved at beregne betalingsvilligheder (WTP) for de pågældende attributter efter metoden beskrevet i afsnit 25, dvs ved at dividere parameterestimaterne med parameterestimatet for egenbetalingen I beregningen er koefficienterne for dagbogsfunktion, blodsukkermåler og hoste endvidere multipliceret med 2, hvilket er kutyme ved beregning af WTP for effektkodede kvalitative attributter, jf afsnit 441 Tabel 512 viser betalingsvillighederne for de fire attributter, når der tages udgangspunkt i de fem standardmodeller, dvs inklusive dominerende svar Estimaterne for størrelse og dagbogsfunktion er fælles for pen og inhalator: Først i afsnit 57 præsenteres specifikke estimater for pen og inhalator Det bemærkes, at betalingsvilligheden for størrelse er for en forøgelse af størrelsen med 100 gram Generelt gælder det, at et negativt estimat angiver disnytte med deraf følgende forventning om, at respondenterne skal kompenseres ved en ændring i den pågældende attribut Et positivt estimat angiver, hvor meget respondenterne gennemsnitligt er villige til at betale for en ændring Desuden erindres det, at prisattributten defineres som den månedlige egenbetaling for behandling, hvorfor WTP estimaterne skal tolkes som betalingsvilligheden for behandling på månedsbasis (i danske kroner) 125

127 For størrelse gælder, at type 1 diabetikere oplever den største disnytte ved en stigning i insulinudstyrets størrelse For denne undergruppe falder betalingsvilligheden for produktet med 74 kr, hvis størrelsen stiger med 100 gram For type 2 diabetikerne falder betalingsvilligheden blot med 24 kr Den relativ større disnytte hos type 1 diabetikerne kan forklares med, at disse er vant til et meget lille produkt en pen og at de har brug for altid at have pennen med sig, da de skal indtage insulin ca 4 gange om dagen (hvor de fleste type 2 diabetikere kan klare sig med 1-2 gange om dagen) De er sandsynligvis også så tilfredse med pennen, at de ikke kan se nogen fordele ved at øge størrelsen mod til gengæld at opnå andre egenskaber At dømme efter de relativt små betalingsvillighedsestimater er størrelse dog ikke noget, som har særlig stor vægt i respondenternes nyttefunktion Dette virker umiddelbart overraskende set i lyset af kommentarerne fra fokusgruppeinterviewene såvel som på bagerste side i spørgeskemaet Disse indikerer, at især kvinderne er optaget af størrelsen på inhalatoren, og kvinderne er netop overrepræsenteret i stikprøven, jf afsnit 532 Heller ikke en indbygget dagbogsfunktion lader til at vægte højt i respondenternes nyttefunktion Betalingsvilligheden for denne egenskab synes at ligge omkring en kr, om end WTP estimaterne er insignifikante i alle fem modeller (dog næsten signifikant for type 2 ikke insulin: p = 0,058), hvorfor der reelt ikke kan konkluderes noget på baggrund heraf En integreret blodsukkermåler er derimod forbundet med stor nytte for respondenterne, herunder især hos type 1 diabetikerne Denne undergruppe er i gennemsnit villig til at betale 326 kr for en indbygget dagbogsfunktion i det pågældende insulinudstyr For type 2 diabetikerne er betalingsvilligheden 106 kr Den relativt store betalingsvillighed hos type 1 diabetikerne skal ses i lyset af, at denne gruppe generelt er de bedste til at kontrollere deres blodsukker Dvs de måler deres blodsukker flere gange i ugen end type 2 diabetikere, herunder især type 2 diabetikere, der ikke er i insulinbehandling, jf figur 58 For diabetikere, der måler deres blodsukker en gang om dagen, må en integreret blodsukkermåler alt andet lige forventes at have en større fordel, dvs være forbundet med en større nytte, end for diabetikere, der måler deres blodsukker en gang i ugen Mild, kortvarig hoste har ligeledes stor vægt i respondenternes nyttefunktion Den gennemsnitlige, månedlige betalingsvillighed for at undgå hoste i forbindelse med administration af insulin er 186 kr, og estimaterne er meget ens for type 1 og type 2 diabetikere 188 kr henholdsvis 184 kr Den største disnytte ved hoste findes hos type 2 diabetikerne, der ikke er i insulinbehandling Type 2 diabetikerne i insulinbehandling synes derimod at have den mindste disnytte ved hoste, om end WTP estimatet er insignifikant Som nævnt er der i forbindelse med udformningen af spørgeskemaet fokuseret meget på at understrege, at en 126

128 eventuel hoste i forbindelse med brug af inhalatoren kan betegnes som mild og kortvarig (for ca 1 ud af 20 brugere) At dømme efter de relativt store negative betalingsvilligheder for hosteattributten har respondenterne dog sikkert overvurderet generne, eller også afspejler deres valg et generelt forbehold overfor bivirkninger ved medicin uanset omfanget af disse Tabel 512 WTP estimater, standardmodeller Alle resp Type 1 Type 2 Type 2, ikke insulin Type 2, insulin wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) Størrelse: -41,82*** -74,36*** -24,16* -32,47* 0, gram [-61,51;-22,13] [-110,89;-37,82] [-46,70;-1,61] [-57,82;-7,12] [-43,50;44,63] Dagbogsfunktion 34,94 20,19 43,14 55,73 14,78 indbygget [-5,65;75,53] [-55,31;95,69] [-4,05;90,33] [-1,96;113,42] [-64,41;93,98] Integreret 181,91*** 326,38*** 105,94** 143,45** 32,06 blodsukkermåler [108,41;255,40] [173,42;479,34] [27,07;184,81] [49,28;237,62] [-105,60;169,73] Mild, kortvarig -185,98*** -187,91** -184,06*** -194,60*** -144,90 hoste [-258,14;-113,82] [-308,34;-67,47] [-275,01;-93,10] [-303,13;-86,06] [-290,79;1,00] Konstant, pen 1254,86*** 1326,01*** 1217,24*** 1088,71*** 1510,38*** [1103,72;1405,99] [1070,38;1581,65] [1030,46;1404,01] [881,21;1296,21] [1110,73;1910,03] Konstant, 807,13*** 994,88*** 705,47*** 702,60*** 699,60** inhalator [651,38;962,87] [723,46;1266,31] [515,78;895,16] [495,47;909,73] [275,97;1123,22] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D1 som modellerne WA01-WA05 Tabel 513 WTP estimater, dominerende svar ekskluderet Standardmodeller Dominerende svar ekskluderet Alle resp Alle resp Type 1 Type 2 wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) Størrelse: 100 gram -41,82*** -36,30*** -68,35*** -19,83* [-61,51;-22,13] [-53,72;-18,88] [-102,65;-34,06] [-38,98;-0,67] Dagbogsfunktion indbygget 34,94 26,31 22,64 27,49 [-5,65;75,53] [-7,27;59,88] [-44,29;89,56] [-9,43;64,41] Integreret blodsukkermåler 181,91*** 150,98*** 281,09*** 84,33** [108,41;255,40] [87,40;214,56] [135,20;426,99] [22,81;145,86] Mild, kortvarig hoste -185,98*** -141,12*** -156,12** -132,72*** [-258,14;-113,82] [-201,08;-81,16] [-263,43;-48,81] [-205,20;-60,25] Konstant, pen 1254,86*** 889,67*** 1006,03*** 828,09*** [1103,72;1405,99] [794,37;984,97] [827,28;1184,77] [717,40;938,79] Konstant, inhalator 807,13*** 700,58*** 881,50*** 606,22*** [651,38;962,87] [581,59;819,58] [654,10;1108,91] [469,97;742,46] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D1 som modellerne WA01 og WAX01-WAX03 127

129 Betalingsvilligheden for de alternativspecifikke konstanter udtrykker betalingsvilligheden for alle de faktorer, der ikke er inkluderet i modellen Netop derfor kan estimaterne for de alternativspecifikke konstanter være relativt store Dette må også siges at være tilfældet i nærværende sammenhæng, og estimaterne afspejler næppe den virkelige betalingsvillighed Det kan dog være interessant at studere forskellen mellem konstanten for pen og inhalator, idet begge konstanter som nævnt skal fortolkes relativt i forhold til basissituationen Konstanten for pen er i alle fem modeller markant højere end konstanten for inhalator De ikke-inkluderede faktorer relateret til brug af pen har altså en større nytteværdi end faktorerne relateret til brug af inhalator Som ventet er konstanten for pen højest hos insulinbrugerne, altså i modellerne for type 1 henholdsvis type 2 insulin Type 1 diabetikerne har endvidere den største konstant på inhalatoren, mens type 2 i insulinbehandling har den mindste Således er den relative forskel mellem de to konstanter størst for type 2 diabetikerne i insulinbehandling, mens den er mindst for type 1 diabetikerne Tilsvarende WTP estimater for modellerne, hvor respondenter med dominerende svar er ekskluderet, er gengivet i tabel 513 I relation til disse estimater skal blot nævnes, at der ses det samme billede, som blev beskrevet i afsnit 561: Eksklusion påvirker især estimaterne for inhalatorkonstanten I det ovenstående har beskrivelse med udgangspunkt i parameterestimater og med udgangspunkt i betalingsvilligheder stort set været overensstemmende Det skyldes, at nyttevægten for egenbetaling er næsten ens på tværs af modellerne, dvs nævneren i WTP estimatet er tilnærmelsesvis ens Det vil også være tilfældet i det følgende, så selvom parameterestimaterne for de estimerede modeller stadig præsenteres, vil præsentation og fortolkning fremover primært ske med udgangspunkt i WTP estimaterne 57 Betalingsvillighed for pen og inhalator Afsnit 57 indledes med estimering af den samlede betalingsvillighed for pen for de nuværende brugere af pen Herefter følger i afsnit 572 parameterestimater og betalingsvillighedsestimater for fire alternative apparater beskrevet ved forskellige attributkombinationer: To penne og to inhalatorer Endelig samles der i afsnit 573 op de på hypoteser, som blev formuleret i afsnit Betalingsvillighed for nuværende brugere af insulinpen Estimering af betalingsvilligheder for pen for nuværende brugere af pen kan ses som et forsøg på at estimere værdien af status-quo situationen for denne gruppe For disse respondenter gælder det, at valg af ingen af de to (alternativer) er ensbetydende med, at de fortsætter med 128

130 deres nuværende behandling (med pen) Parameterestimater for modellerne, igen opdelt på undergrupper, fremgår af tabel 514 Estimering er sket med udgangspunkt i de 97 pct af insulinbrugerne, som har anført, at de benytter pen til administration af insulin Det bemærkes, at der er for få respondenter til, at der kan ske underopdeling af type 2 kategorien Tabel 514 Sammenligning af status-quo estimater for brugere af insulinpen Nuværende pen-brugere Alle Alle Type 1 Type 2 Alle respondenter b/se b/se b/se b/se Størrelse, gram -0,00088** -0,00140*** 0, ,00069*** (0,000) (0,000) (0,000) (0,000) Størrelse pen interaktion -0,00884*** -0, ,01560*** -0,00870*** (0,003) (0,003) (0,004) (0,002) Dagbogsfunktion indbygget 0, , , ,03127 (0,027) (0,037) (0,038) (0,019) Integreret blodsukkermåler 0,21429*** 0,30407*** 0, ,16760 *** (0,051) (0,069) (0,072) (0,034) Mild, kortvarig hoste -0,16428*** -0,18220*** -0,14377* -0,17246*** (0,041) (0,054) (0,062) (0,032) Egenbetaling, kr måned -0,00183*** -0,00191*** -0,00176*** -0,00186*** (0,000) (0,000) (0,000) (0,000) Konstant, pen 2,97371*** 2,79383*** 3,29991*** 2,81221 *** (0,227) (0,280) (0,399) (0,165) Konstant, inhalator 1,59815*** 1,91689*** 1,03545** 1,47644 *** (0,220) (0,283) (0,359) (0,158) Chi² 349,54*** 240,84*** 109,50*** 561,25 *** Pseudo R² 0,275 0,273 0,299 0,254 Antal obs Antal klynger Anm: Asterisk angiver signifikansen for modellens overordnede fit samt for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede estimater genfindes i bilag D2 som modellerne SQ01-SQ04 Til sammenligning er modellen er også estimeret med udgangspunkt i alle respondenter Desuden bemærkes det, at modellerne er specificeret med en interaktion mellem størrelsesattributten og konstanten for pen På den måde opnås et estimat for størrelse, specifikt for pen størrelse + størrelse pen interaktion Størrelse er ikke signifikant forskellig fra nul for type 2 brugere af pen, men det er interaktionen til gengæld Bortset fra dette følger estimaterne samme mønster som estimaterne fra afsnit 56 (tabel 510) Det kan med sikkerhed antages, at der ikke er indbygget dagbogsfunktion eller integreret blodsukkermåler i de nuværende penne Disse attributter er derfor ikke relevante i forbindelse med estimering af betalingsvilligheder i status-quo situationen Den samlede betalingsvillighed for pen i status-quo situationen skal derfor estimeres med udgangspunkt i parameterestimaterne for størrelse og konstanten for pen (og selvfølgelig egenbetaling) WTP estimaterne er gengivet i tabel 515, idet der antages en gennemsnitlig vægt for de nuværende penne på 50 gram 129

131 Som nævnt indgår både størrelsesattributten og interaktionen i tælleren i betalingsviljeestimatet for størrelse Betalingsvilje for størrelse er kun svagt signifikant for type 1 brugere af pen (p-værdi 0,066) Der opnås et gennemsnitligt betalingsviljeestimat på 1360 kr pr måned for behandling med pen heraf ca 1300 kr for type 1 brugerne og 1400 kr for type 2 brugerne Estimaterne bliver ikke væsentligt ændret, hvis der tages udgangspunkt i samtlige respondenter (1260 kr) Tabel 515 WTP estimater, status-quo, for nuværende brugere af insulinpen Nuværende pen-brugere Alle Alle Type 1 Type 2 respondenter wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) Størrelse: 50 gram -265,65*** -160,24-441,88*** -252,65*** [-408,41;-122,89] [-331,33;10,85] [-691,57;-192,20] [-353,11;-152,20] Konstant, pen 1625,88*** 1460,81*** 1879,69*** 1512,44*** [1359,13;1892,63] [1151,24;1770,38] [1393,52;2365,86] [1323,45;1701,42] Willingness-to-pay 1360,23*** 1300,57*** 1437,81*** 1259,78 *** (total), kr pr måned [1149,78;1570,67] [1048,05;1553,09] [1070,54;1805,07] [1110,31;1409,26] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D2 som modellerne WSQ01-WSQ04 Fra afsnit 56 erindres det, at det var type 1 respondenterne, der umiddelbart havde den største disnytte ved en stigning i størrelse Det er sådan set stadig tilfældet, men interaktionseffekten (interaktion med pen) er væsentligt større for type 2 brugere af pen Estimatet for størrelse i tabel 515 (-441,88 kr) skyldes således denne væsentligt større interaktionseffekt Estimaterne for den totale betalingsvillighed er her beregnet ved summering af betalingsviljerne for de enkelte attributter Da der antages funktionel linearitet, og da nævneren er fælles for alle leddene, svarer dette til fremgangsmåden beskrevet ved [2-7] 572 Betalingsvillighed for fire alternative produktspecifikationer I det følgende tages der igen udgangspunkt i den primære stikprøve på 298 respondenter, herunder underopdeling af denne på diabetestype og brug af insulin I det følgende estimeres samlede betalingsvilligheder for pen og inhalator for de nævnte grupper Udgangspunktet er fire alternative produktspecifikationer med hver deres kombination af attributter og attributniveauer heraf to penne og to inhalatorer Analyserne har indtil videre peget på, at det for pennens vedkommende især er integreret blodsukkermåler, der har stor nytteværdi for respondenterne En mindre størrelse og vægt på inhalatoren synes derimod at gøre dette alternativ mere attraktivt at dømme efter respondenternes generelle kommentarer til undersøgelsen såvel som fokusgruppens bemærkninger 130

132 En pen med integreret blodsukkermåler er ikke på markedet endnu, ligesom der formodentligt går nogle år, før teknologien bag det inhalerede system er så udviklet, at størrelsen på inhalatoren kan halveres Ikke desto mindre er scenarierne realistiske, hvorfor det er relevant at undersøge den potentielle velfærdsgevinst ved lanceringen af en pen med integreret blodsukkermåler henholdsvis en inhalator på blot 100 gram I det følgende estimeres først samlede betalingsviljer med udgangspunkt i de fire følgende specifikationer: 1 Nuværende pen (Pen0): En pen med en vægt på 50 gram, uden blodsukkermåler og uden dagbogsfunktion 2 Ny pen (Pen1): En pen med en vægt på 50 gram, uden dagbogsfunktion, men med integreret blodsukkermåler 3 Nuværende inhalator (Inh0): En inhalator med en vægt på 200 gram og indbygget dagbogsfunktion Mild, forbigående hoste kan forekomme i forbindelse med brug af inhalatoren 4 Ny inhalator (Inh1): En inhalator med en vægt på 100 gram og indbygget dagbogsfunktion Mild, forbigående hoste kan forekomme i forbindelse med brug af inhalatoren Det første og tredje alternativ er henholdsvis pen og inhalator, som de generelt ser ud i dag (udgangspunktet er Novo s inhalator), mens alternativ 2 og 4 er de forbedrede udgaver, dvs inklusive integreret blodsukkermåler henholdsvis en mindre vægt (kvalitetsforbedring) Som nævnt er det relevant at undersøge en eventuel velfærdsgevinst ved en kvalitetsforbedring af pen og inhalator Det er som nævnt i afsnit 26 ikke muligt at beregne velfærdsgevinster med udgangspunkt i simple (WTP) betalingsvillighedsestimater En eventuel velfærdsgevinst undersøges nærmere i afsnit 58 med udgangspunkt i den kompenserende variation (CV) og med udgangspunkt i ovenstående produktspecifikationer For nærværende beregnes blot samlede betalingsvillighedsestimater for behandling med de fire alternative apparater I tabel 516 er parameterestimater gengivet for hele stikprøven og for de tidligere nævnte underopdelinger af stikprøven Det ses, at der er inddraget en del flere kovariater i modelspecifikationen set i forhold til standardmodellerne i afsnit 56 Disse interaktioner og dummyvariable er inkluderet for at gøre det muligt at estimere betalingsviljer separat for pen og inhalator I det følgende refereres der til modellerne i tabel 516 som interaktionsmodellerne Først og fremmest bemærkes det, at størrelse er specificeret ved hjælp af fire effektkodede dummyvariable to for pen og to for inhalator I afsnit 571 blev den pen-specifikke 131

133 størrelsesattribut beregnet ved brug af en interaktionsvariabel Det har vist sig ikke at være muligt i relation til inhalator, da der opstår et problem med kollinaritet mellem størrelsesniveauerne for inhalator (100, 200 og 600 gram) og den alternativspecifikke konstant for inhalator I stedet er størrelse i interaktionsmodellerne altså forsøgt specificeret ved brug af effektkodede dummyvariable Dummyvariable er defineret separat for pen og inhalator I begge tilfælde, er den mindste kategori udeladt (L-1 dummyvariable defineres), og det er derfor denne, der er basiskategorien For pen er basiskategorien 30 gram og for inhalator 100 gram Brugen af dummyvariable giver nogle problemer i relation til beregning og fortolkning af betalingsviljeestimater for størrelse Disse problemer beskrives i forbindelse med præsentation af betalingsviljeestimaterne Størrelsesestimaterne bliver væsentligt større end i standardmodellerne, hvilket er forventeligt, da der nu er tale om kategoriske variable og ikke kontinuerte variable, målt i gram Tabel 516 Sammenligning af estimater, interaktions-modeller Alle resp Type 1 Type 2 Type 2, ikke insulin Type 2, insulin b/se b/se b/se b/se b/se Pen: 50 gram, effekt-dummy -0,12283*** -0,19626** -0,08608* -0, ,05148 (0,035) (0,061) (0,042) (0,051) (0,082) Pen: 80 gram, effekt-dummy -0,20077*** -0, ,24831*** -0,19929** -0,37629** (0,051) (0,093) (0,061) (0,073) (0,118) Inhalator: 200 gram, effekt-dummy 0, , , , ,03148 (0,041) (0,085) (0,045) (0,055) (0,080) Inhalator: 600 gram, effekt-dummy -0,22265*** -0,43024*** -0, ,17619* 0,03574 (0,054) (0,101) (0,061) (0,074) (0,106) Dagbog pen interaktion 0,06068* 0, , , ,10031 (0,027) (0,047) (0,033) (0,039) (0,060) Dagbog inhalator interaktion -0, , , , ,10208 (0,036) (0,064) (0,045) (0,057) (0,068) Integreret blodsukkermåler 0,15976*** 0,30091*** 0,08839* 0,13005** 0,01127 (0,034) (0,070) (0,037) (0,047) (0,060) Mild, kortvarig hoste -0,19772*** -0,21547*** -0,18873*** -0,20599*** -0,16353** (0,034) (0,057) (0,043) (0,054) (0,062) Egenbetaling, kr måned -0,00187*** -0,00193*** -0,00186*** -0,00196*** -0,00172*** (0,000) (0,000) (0,000) (0,000) (0,000) Konstant, pen 2,32247*** 2,48688*** 2,25039*** 2,11083*** 2,62638*** (0,142) (0,241) (0,176) (0,211) (0,327) Konstant, inhalator 1,27327*** 1,47988*** 1,17173*** 1,18110*** 1,20344*** (0,147) (0,248) (0,182) (0,217) (0,348) Chi² 596,95*** 281,22*** 361,66*** 240,10*** 140,04*** Pseudo R² 0,255 0,277 0,248 0,228 0,315 Antal obs Antal klynger Anm: Asterisk angiver signifikansen for modellens overordnede fit samt for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede estimater genfindes i bilag D3 som modellerne I01-I05 132

134 Af inhalator: 200 gram ses formentlig årsagen til kovariansproblemet: For alle, bortset fra den sidste model, opnås et positivt estimat for en inhalatorstørrelse på 200 gram Den mest oplagte fortolkning af dette ville være, at en inhalator på 200 gram er forbundet med større nytte end en ditto på 100 gram Dvs disnytten ved størrelsesattributten stiger ikke lineært over intervallet gram, men beskrives derimod bedst ved en nonlineær funktion med minimum (disnytte) ved en størrelse på 200 gram Der er dog ikke belæg for en sådan konklusion, da estimaterne for denne dummy-variabel ikke er signifikant forskellige fra nul (på et 5 pct signifikansniveau) Årsagen er nok snarere, at forskellen mellem niveauerne 100 og 200 gram ikke er signifikant nok til at gøre respondenterne actionable på 200 grams niveauet Måske havde et design med niveauerne 100, 300 og 600 gram været bedre Dagbogsfunktion er interageret med både pen- og inhalatorkonstanterne, således at der opnås separate estimater for pen og inhalator Da dagbog interageres med begge alternativer er det ikke længere nødvendigt at have det generelle estimat for dagbog med i modellerne Bortset fra dagbog pen i modellen med alle respondenter er ingen af dagbogsinteraktionerne signifikante Dagbog pen er dog generelt mere signifikant i alle modellerne set i forhold til dagbog inhalator Sidstnævnte producerer endog negative estimater (disnytte), om end disse altså reelt ikke er signifikant forskellige fra nul For de øvrige kovariater (attributter og konstanter) er mønsteret det samme som i standardmodellerne (tabel 510) Samlede betalingsvilligheder Samlede betalingsviljeestimater for de fire definerede specifikationer af pen og inhalator er gengivet i tabel 517 med udgangspunkt i alle respondenter i den primære stikprøve Tabellen er opbygget, så det umiddelbart er muligt at se, hvilke attributkomponenter, der indgår i beregningen af den samlede betalingsvilje Som nævnt giver dummyvariable for størrelse lidt problemer Givet kodningen af disse er basissituationen for pen givet ved en størrelse på 30 gram ditto 100 gram for inhalator Idet der tages udgangspunkt i en gennemsnitlig vægt på 50 gram for pennene, indgår effekten af størrelse: 50 gram (pen) i det samlede betalingsviljeestimat for begge pen-alternativer Inhalator på 100 gram er givet ved basissituationen, hvorfor størrelsesattributten ikke lægges til for dette alternativ For en inhalator på 200 gram skal der adderes 100 gram udover basissituationen Denne effekt er beregnet med udgangspunkt i dummyvariablen inhalator: 600 gram fra interaktionsmodellen, idet denne divideres med 5 for at opnå effekten ved en stigning på 100 gram Det antages at effekten af størrelse er konstant over hele intervallet Der tages udgangspunkt i denne dummy, da inhalator: 200 gram er insignifikant i alle tilfælde Størrelsesestimaterne multipliceres med 2, da der er tale om effektkodede dummyvariable 133

135 Tabel 517 Samlede WTP estimater for pen og inhalator, alle respondenter Pen Inhalator Nuværende pen Alternativ pen Inhalator, 200 gram Inhalator, 100 gram wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) Størrelse: 50 gram (pen) -131,07*** -131,07*** - - [-200,86;-61,27] [-200,86;-61,27] Størrelse: 200 gram (inh) ,52*** - [-70,37;-24,67] Dagbogsfunktion indbygget ,14-24,14 [-100,10;51,82] [-100,10;51,82] Integreret blodsukkermåler - 170,47*** - - [96,18;244,76] Mild, kortvarig hoste ,98*** -210,98*** [-285,11;-136,85] [-285,11;-136,85] Konstant 1239,11*** 1239,11*** 679,33*** 679,33*** [1091,59;1386,63] [1091,59;1386,63] [536,92;821,74] [536,92;821,74] Willingness-to-pay (total), 1108,04 *** 1278,52 *** 396,69 *** 444,21 *** kr pr måned [943,79;1272,30] [1088,73;1468,31] [206,96;586,43] [256,87;631,56] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D3 som modellerne PEN0_1, PEN1_1, INH0_1 og INH1_1 Det bemærkes, at også betalingsviljeestimaterne for dagbogsfunktion i inhalator er insignifikante og giver negative betalingsviljeestimater (disnytte) Denne komponent giver således en forøget usikkerhed i det samlede estimat, men da indflydelsen på det samlede estimat er begrænset (- 24 kr), bibeholdes denne i beregningen af den samlede betalingsvilje Det bemærkes, at det igen især er konstantleddene, der bidrager med forklaringskraft De samlede estimater i absolutte termer er således ikke så interessante i sig selv: Det er mere interessant at sammenligne estimaterne på tværs af modellerne Forskellen på pen-alternativerne er således givet ved effekten af integreret blodsukkermåler, der giver en merbetalingsvillighed for behandling på 170 kr pr måned Forskellen på inhalator-alternativerne er givet ved effekten af størrelseskomponenten: 47 kr mere pr måned for en mindre inhalator Dette estimat svarer i øvrigt overens med det generelle estimat i tabel 512 (ved 100 gram) Forskellen på estimaterne for pen og inhalator er meget stor og formentlig også for stor Som nævnt i afsnit 56 er den krævede kompensation for mild, kortvarig hoste formentlig overestimeret, da respondenterne i høj grad har vurderet denne subjektivt og ikke ud fra den objektive beskrivelse at hoste kan forekomme for 1 ud af 20 brugere Dertil kommer at estimatet for inhalatorkonstanten er biased i nedadgående retning, dvs undervurderet Disse forbehold ændrer dog ikke på det forhold, at de samlede betalingsvillighedsestimater for pen 134

136 stadig er større end for inhalator altså det modsatte af forventningen forud for undersøgelsen I tabel 518 (pen) og 519 (inhalator) er gengivet tilsvarende betalingsviljeestimater for henholdsvis type 1 og type 2 diabetikere i stikprøven Betalingsviljerne for den nuværende pen er ikke væsentligt forskellige for de to undergrupper, mens type 1 diabetikerne har den største betalingsvilje for den nye pen (pga deres betalingsvilje for integreret blodsukkermåler) Det samme er tilfældet for inhalatorestimaterne Her er betalingsviljerne stort set ens for den nuværende inhalator, mens betalingsviljen for den nye inhalator er lidt større for type 1 diabetikerne Tabel 518 Samlede WTP estimater for pen, fordelt på undergrupper Størrelse: 50 gram Nuværende pen Alternativ pen Type 1 Type2 Type1 Type 2 wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) -203,31*** -92,80* -203,31*** -92,80* [-320,81;-85,81] [-179,53;-6,07] [-320,81;-85,81] [-179,53;-6,07] Integreret ,72 *** 95,29* blodsukkermåler [158,07;465,38] [15,39;175,19] Konstant 1288,14*** 1213,06 *** 1288,14 *** 1213,06*** [1040,54;1535,73] [1029,80;1396,31] [1040,54;1535,73] [1029,80;1396,31] Willingness-to-pay 1084,83*** 1120,25 *** 1396,55 *** 1215,54*** (total), kr pr måned [806,66;1362,99] [916,81;1323,69] [1046,54;1746,56] [991,92;1439,17] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D3 som modellerne PEN0_2, PEN0_3, PEN1_2 og PEN1_3 Tabel 519 Samlede WTP estimater for inhalator, fordelt på undergrupper Størrelse: 200 gram Dagbogsfunktion indbygget Mild, kortvarig hoste Konstant Inhalator, 200 gram Inhalator, 100 gram Type 1 Type2 Type1 Type 2 wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) -89,14*** -24, [-132,51,-45,77] [-50,74,1,25] -55,57-6,42-55,57-6,42 [-184,52,73,38] [-101,54,88,70] [-184,52,73,38] [-101,54,88,70] -223,22*** -203,47*** -223,22*** -203,47*** [-347,74,-98,69] [-296,57,-110,36] [-347,74,-98,69] [-296,57,-110,36] 766,54*** 631,61 *** 766,54*** 631,61 *** [530,20,1002,87] [453,10,810,12] [530,20,1002,87] [453,10,810,12] Willingness-to-pay 398,61* 396,97 ** 487,75** 421,72 *** (total), kr pr måned [77,13,720,09] [160,06,633,89] [170,92,804,58] [186,99,656,45] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D3 som modellerne INH0_2, INH0_3, INH1_2 og INH1_3 135

137 Konklusionen vedrørende sammenligning af estimater for pen og inhalator er dog den samme i alle tilfælde: Selvom det samlede betalingsviljeestimat for inhalator er biased i nedadgående retning, er der ikke belæg for at sige, at respondenternes betalingsvilje for inhalator er større (eller blot lige så stor) som deres betalingsvilje for pen 573 Hypoteser vedrørende betalingsvillighed Nærværende afsnit samler op på resultaterne vedrørende samlet betalingsvillighed for pen og inhalator Der tages udgangspunkt i de hypoteser, som blev opstillet i afsnit 14 Hypoteserne testes ikke ved hjælp af formelle hypotesetests I stedet er det valgt at gengive de samlede betalingsviljeestimater grafisk fordelt på de forskellige undergrupper, der skal sammenlignes De fleste hypoteser går på forskellen i betalingsvilligheder for inhalator, men for god ordens skyld vises estimater for alle de fire definerede apparater Figur 511 sammenligner samlede betalingsviljeestimater for de fire alternative produktspecifikationer, som blev defineret i afsnit 572 Betalingsviljeestimaterne svarer til de estimater, som blev præsenteret tidligere, men i figuren er alle undergrupperne gengivet Det bemærkes, at især estimaterne for type 2 insulinbrugerne er meget usikre: Faktisk ses det af figur 511, at estimaterne for inhalator (INH0 og INH1) ikke er signifikant forskellig fra nul, da konfidensbåndet inkluderer denne værdi Der er kun 62 respondenter i denne gruppe, så resultatet kommer ikke som nogen overraskelse Figur 511 Sammenligning af betalingsviljeestimater for pen og inhalator Anm: Beregning af estimater til figuren er gengivet i bilag D6 136

138 Figur 512 Sammenligning af betalingsviljeestimater, fordelt på undergrupper Anm: Beregninger af estimater til figuren er gengivet i bilag D6 Lav indkomst = kr; Medium indkomst = kr; Høj indkomst = kr Bemærk at skalering på x-aksen er forskellig for pen og inhalator alternativerne Figur 511 gør det forholdsvis nemt at sammenligne estimaterne for de fire alternativer for hver af undergrupperne af stikprøven I figur 512 er dette vendt om, således at de fire små figurer hver især sammenligner estimaterne for undergrupper af stikprøven separat for hvert af de fire alternativer For de fem første kategorier på y-aksen er betalingsviljeestimaterne baseret på interaktionsmodellerne præsenteret i tabel 516 Der er til brug i figuren estimeret tilsvarende modeller for underopdeling af stikprøven på køn og indkomst, men disse modeller gengives ikke her udover de i figuren præsenterede samlede estimater Hvis hypoteserne skulle testes formelt ville udgangspunktet være en test for ens middelværdi i de enkelte grupper, dvs test for ens WTP En vigtig antagelse i den forbindelse er, hvorvidt undergrupperne kan antages at være uafhængige af hinanden Hvis der ikke kan antages uafhængighed er det nødvendigt at tage højde for kovariansen mellem estimaterne i forbindelse med beregning af test-observatoren Det samme gør sig gældende ved grafisk sammenligning af estimaterne og disses konfidensintervaller Estimaterne i figur 512 er estimeret separat for hver undergruppe, hvorfor der ikke er taget højde for eventuel kovariation mellem undergruppernes betalingsviljeestimater Sammenligningerne er således baseret på en antagelse om uafhængighed mellem grupperne 137

139 Med ovenstående in mente benyttes følgende fremgangsmåde til grafisk test af hypoteserne: Når det samlede betalingsviljeestimat for én gruppe er indeholdt i en anden gruppes konfidensinterval er det ikke muligt at konkludere, at betalingsviljeestimaterne for de to grupper er signifikant forskellige fra hinanden Det er med andre ord ikke muligt at afvise nulhypotesen om ens middelværdi for grupperne Estimaterne i figurerne er angivet med 95 pct konfidensintervaller, så der arbejdes med et signifikansniveau på 5 pct Hypoteserne fra afsnit 14 gengives i det følgende med angivelse af, hvorvidt hypotesen afvises eller accepteres Konklusionerne uddybes efterfølgende: 1 Betalingsvilligheden er generelt større for behandling med inhaleret insulin end for behandling med subkutan insulin Afvises 2 Betalingsvilligheden for behandling med inhaleret insulin er større for type 2 diabetikere end for type 1 diabetikere Afvises 3 Betalingsvilligheden for behandling med inhaleret insulin er større for diabetikere, der ikke bruger insulin, end for diabetikere i insulinbehandling Afvises 4 Betalingsvilligheden for behandling med inhaleret insulin er større for kvinder end for mænd Afvises 5 Betalingsvilligheden for behandling generelt er stigende med indkomsten Accepteres Ad 1: Behandling med inhaleret insulin vs behandling med subkutan insulin Figur 511 opsummerer det allerede kendte faktum, at respondenternes samlede betalingsvillighed for behandling med insulinpen er større end ditto for behandling med insulininhalator Faktisk er dette lige omvendt forventningen: Betalingsvillighed for pen er signifikant større end for inhalator Som nævnt er estimaterne for inhalator formentlig undervurderet; men ikke nok til, at det ændrer på denne konklusion Ad 2: Behandling med inhaleret insulin: Type 1 vs type 2 diabetikere Som det ses af figur 512 (INH0 og INH1) er estimaterne for de to grupper meget ens Type 1 diabetikerne har endog den største betalingsvilje for inhalator på 100 gram (modsat hypotesen) Dog ikke så meget større, at der er tale om en statistisk signifikant forskel Ad 3: Behandling med inhaleret insulin: Insulinbrugere vs ikke-insulinbrugere Der er ikke forskel i betalingsviljeestimaterne for disse grupper, dvs type 1 diabetikere og type 2 diabetikere, der benytter insulin, set i forhold til type 2 diabetikere, der ikke benytter insulin Den lille, ikke-signifikante forskel, der er, viser derimod en større betalingsvilje for type 1 respondenterne, som nævnt under punkt 2 138

140 Ad 4: Behandling med inhaleret insulin: Mænd vs kvinder Der er ikke signifikant forskel på betalingsviljen hos stikprøvens mænd og kvinder Det ser endog ud til, at mændene har den største betalingsvilje for behandling med inhaleret insulin Som det ses af figur 512 (PEN0 og PEN1) ser det bemærkelsesværdigt nok ud til at være lige omvendt for behandling med pen: Her har kvinder den største betalingsvillighed (insignifikant) Ad 5: Betalingsvilje er generelt stigende med indkomst Denne hypotese accepteres Det er dog primært betalingsviljen for højindkomstgruppen ( kr ), som er signifikant større end betalingsviljen for lavindkomstgruppen ( kr) For inhalator-alternativernes vedkommende skyldes den manglende signifikans mellem mellemindkomstgruppen ( kr) og de andre grupper, at konfidensintervallerne er meget brede Den samlede betalingsvilje for behandling med den nuværende inhalator (INH0) er således 200, 375 og 700 kr pr måned for henholdsvis lav-, medium- og højindkomstgruppen Men disse estimater er altså forbundet med en ganske stor usikkerhed Endelig skal det bemærkes, at den samlede betalingsvillighed for behandling med pen er mindst for mellemindkomstgruppen, mens estimatet for lavindkomstgruppen som forventet er mindre end højindkomstgruppens estimat En årsag kunne være, at der måske er flere respondenter i lavindkomstgruppen, der får kronikertilskud, set i forhold til mellemindkomstgruppen Selvom der spørges til egenbetaling, kunne det eventuelt være, at de, der får kronikertilskud i dag, alligevel ikke kan lade være med at lade dette indgå i deres besvarelser af valgspørgsmålene Dette er dog blot et gæt på årsagen til mellemindkomstgruppens mindre betalingsvillighed Det bemærkes afslutningsvis, at langt de fleste præsenterede betalingsviljeestimater er forbundet med en relativt stor usikkerhed kendetegnet ved meget brede konfidensbånd Årsagen til dette er naturligvis til dels det datamateriale, som ligger til grund for analyserne Det er således ikke så underligt, at visse resultater bliver insignifikante, når disse estimeres med udgangspunkt i en stikprøve på observationer, som opdeles i tre eller flere undergrupper Dertil kommer, at visse af de attributkomponenter, som indgår i de samlede betalingsviljeestimater, generelt har vist sig at være insignifikante, simpelthen fordi de ikke har særlig høj prioritet for respondenterne 139

141 58 Undersøgelse af et hypotetisk marked for insulin I det følgende tages der udgangspunkt i de fire alternative produktspecifikationer, som blev defineret i afsnit 572, idet det ønskes undersøgt om en kvalitetsforbedring af pen henholdsvis inhalator er forbundet med en velfærdsgevinst Dvs opnås der en velfærdsgevinst ved lanceringen af en pen med integreret blodsukkermåler henholdsvis en inhalator på blot 100 gram? Dette undersøges med udgangspunkt i estimering af den kompenserende variation (CV) Idet der antages et hypotetisk marked med de fire goder, er det desuden interessant at undersøge, hvor stor del af markedet de to nye produkter i givet fald vil komme til at udgøre De fire goder er som nævnt defineret i afsnit 572 Dertil kommer, at der tages udgangspunkt i en månedlig egenbetaling på 125 kr for behandling med pen (begge alternativer), og en månedlig egenbetaling på 800 kr for behandling med inhalator (begge alternativer) Egenbetaling holdes ens for de to pen- henholdsvis de to inhalator-alternativer Det er måske naturligt at forvente en prisstigning ved en kvalitetsforbedring, men på denne måde er det muligt at beregne værdien af selve kvalitetsforbedringen 581 Velfærdsændring ved forbedrede alternativer I afsnit 26 blev det beskrevet, hvorledes den kompenserende variation beregnes I det følgende bruges velfærdsmålet CV til at beregne velfærdsændringen ved en kvalitetsforbedring af henholdsvis pen og inhalator Ved beregning af CV for pen er initialsituationen et marked med Pen0 og Inh0, mens markedet i terminalsituationen består af den forbedrede pen Pen1 og Inh0 Ved beregning af CV for inhalator består markedet ligeledes af Pen0 og Inh0 i initialsituationen I terminalsituationen er inhalatoren blevet mindre (Inh1), mens pennen er uændret Tabel 520 viser den kompenserende variation for en kvalitetsforbedring af henholdsvis pen og inhalator både for alle respondenter under ét, type 1 diabetikere samt de to undergrupper af type 2 diabetikere V 0 Parametrene e Pen V 1, e Pen V 0, e Inh V 1 og e Inh kan opfattes som de respektive alternativers vægte i beregningen af den forventede maksimale nytteværdi, jf [2-11] i afsnit 262 Som ventet er V e Pen1 V 0 > Pen V 1 e og e Inh V 0 > e Inh i stort set alle modeller Forskellen er størst i undergruppen af type 1 diabetikere; både for pen og inhalator Ikke overraskende er det således også disse diabetikere, der kan fratages det største beløb i terminalsituationen (efter kvalitetsforbedringen), for at de er lige så godt stillet som i initialsituationen (før kvalitetsforbedringen) 140

142 Tabel 520 Kompenserende variation ved kvalitetsændring for pen og inhalator V e Pen0 V e Pen1 V e Inh0 V e Inh1 Alle resp Type 1 Type 2, ikke insulin Type 2, insulin estimat/ci95 estimat/ci95 estimat/ci95 estimat/ci95 7,137*** 7,762 *** 5,855*** 10,589** [5,248;9,027] [4,244;11,281] [3,596;8,113] [3,918;17,260] 8,374*** 10,488 *** 6,668*** 10,709** [6,073;10,675] [5,424;15,552] [4,030;9,306] [3,749;17,668] 0,612*** 0,657 *** 0,547*** 0,649* [0,428;0,796] [0,317;0,998] [0,316;0,778] [0,135;1,164] 0,640*** 0,716 *** 0,567*** 0,645* [0,449;0,831] [0,347;1,085] [0,328;0,805] [0,136;1,154] CV/ci95 (kr) CV/ci95 (kr) CV/ci95 (kr) CV/ci95 (kr) CV Pen -78,98*** -145,25*** -61,08** -6,17 [-113,44;-44,51] [-216,51;-73,98] [-105,45;-16,70] [-70,69;58,34] CV Inh -1,92*** -3,62** -1,56* 0,24 [-2,94;-0,90] [-6,00;-1,24] [-2,92;-0,20] [-1,18;1,66] Anm: Asterisk angiver signifikansen for estimaterne: * p<005, ** p<001, *** p<0001 Beregninger er dokumenteret i bilag D5 For type 1 diabetikerne er CV for en integreret blodsukkermåler i pennen således 145 kr Til sammenligning er CV blot 61 kr for type 2 diabetikerne, der ikke er i insulinbehandling For insulinbrugerne blandt type 2 diabetikerne er CV endnu mindre (6 kr), men målet er dog heller ikke signifikant Den kompenserende variation for en mindre inhalator ligger meget under den kompenserende variation for en integreret blodsukkermåler i pennen Dette var også forventet grundet den markante forskel på nytten for pen- og inhalator-alternativerne; Pen0 og Pen1 vægtes meget højere end Inh0 og Inh1 Som nævnt er det også type 1 diabetikerne, der har den største CV for en mindre inhalator Knap 4 kr kan der fratages disse diabetikere efter kvalitetsforbedringen for at stille dem lige så godt som i udgangssituationen Til sammenligning er CV for undergruppen af type 2 diabetikere, der ikke er i insulinbehandling, i underkanten af 2 kr En mindre størrelse på inhalatoren vil altså ikke medføre en nævneværdig stor velfærdsøkonomisk gevinst hvis respondenterne svar i valgsættene skal tages for pålydende Som nævnt står dette dog i modsætning til indtrykkene fra fokusgruppeinterviewene såvel som respondenternes generelle kommentarer til undersøgelsen Figur 510 i afsnit 55 viser endvidere, at respondenterne rangerer størrelse som den 2 vigtigste attribut Samme figur rangerer desuden integreret blodsukkermåler som den vigtigste attribut Dette stemmer derimod fint overens med den ovenfor beregnede kompenserende variation for en kvalitetsforbedring af pennen I afsnit 562 blev der endvidere beregnet nogle relativt store og 141

143 signifikante betalingsvilligheder for denne attribut, hvorfor det alt i alt må konkluderes, at en integreret blodsukkermåler i pennen vil medføre en betydelig velfærdsøkonomisk gevinst Attributten hoste og den alternativspecifikke konstant for inhalator indgår begge i beregningen af CV for inhalator Som nævnt i afsnit 56 og 57 er begge disse estimater biased, således at de påvirker det samlede estimat (og således også det samlede CV-estimat) i nedadgående retning Konklusionen er dog den samme som tidligere: CV-estimaterne for inhalator burde måske nok være større end de er, men der er ikke noget, der tyder på, at de er større eller tilnærmelsesvis lige så store som de tilsvarende estimater for pen Dette forhold påvirker også beregningen af markedsandele i det følgende 582 Markedsanalyse Under antagelse af, at alle fire omtalte alternativer er på markedet på samme tid, er det interessant at undersøge, hvor stor godernes respektive markedsandele kan forventes at blive Med udgangspunkt i estimaterne fra tabel 520 beregnes markedsandelen for eksempelvis Inh0 på følgende måde: [5-1] Vi VInh0 e e P Inh0 = =, V j VInh0 VPen 0 VInh1 VPen1 e e + e + e + e idet der blot er tale om sandsynligheden for, at alternativet (godet) Inh0 vælges [5-1] er således blot en variant af [4-5] i det tilfælde, at der eksisterer et marked med nøjagtig fire goder I tabel 521 er opstillet markedsandele for to scenarier: (1) For det tilfælde, som er beskrevet ovenfor, og hvor prisen for pennen er 125 kr pr måned, og prisen for inhalator er 800 kr pr måned (2) For det tilfælde, som er beskrevet ovenfor, men hvor prisen for pen og inhalator er ens, dvs inhalatoren koster også kun 125 kr pr måned Under den realistiske antagelse, dvs det første scenarium, taler tabellen sit tydelige sprog Inhalatoren vil kun erobre 7,5 pct af det danske marked for insulinudstyr, mens pennen vil sidde på de resterende 92,5 pct Som ventet er inhalatorens markedsandel størst, hvis der udelukkende fokuseres på undergruppen af type 2 diabetikere, der ikke er i insulinbehandling Her er markedsandelen 8 pct, hvilket dog kun er en smule mere i forhold til det samlede gennemsnit Pennens markedsandel fordeler sig med en beskeden, men alligevel synlig, overvægt til pennen med en integreret blodsukkermåler Det er især i undergruppen af type 1 diabetikere, 142

144 at langt de fleste foretrækker pennen med den integrerede blodsukkermåler Inhalatorens markedsandel fordeler sig omtrent ligeligt på de to inhalatortyper Under antagelse af ens priser på pen og inhalator flyttes markedsandelene betydeligt mellem de fire alternativer Nu erobrer inhalatoren en markedsandel på 22 pct, mens markedsandelen for pennen falder til 78 pct Dette understøtter formodning om, at prisen er meget afgørende, når danske diabetikere skal vælge udstyr til administration af insulin, og at inhalatoren på nuværende tidspunkt ikke har egenskaber, der kan opveje den langt højere egenbetaling forbundet med dette produkt Tabel 521 Markedsandele for pen og inhalator i et hypotetisk marked Alle resp Type 1 Type 2, ikke insulin Type 2, insulin pct/ci95 pct/ci95 pct/ci95 pct/ci95 Markedsandel (pct): Nuværende pen 42,58*** 39,56*** 42,94*** 46,87*** [40,90;44,26] [36,38;42,74] [40,65;45,22] [43,49;50,25] Ny pen 49,95*** 53,44*** 48,90*** 47,40*** [47,91;52,00] [49,57;57,32] [45,91;51,89] [43,77;51,03] Nuværende inhalator 3,65*** 3,35*** 4,01*** 2,87** [2,65;4,65] [1,79;4,91] [2,43;5,59] [0,72;5,03] Ny inhalator 3,82*** 3,65*** 4,16*** 2,85** [2,78;4,85] [1,99;5,31] [2,54;5,77] [0,73;4,98] Markedsandel ved ens pris (pct): Nuværende pen 35,78*** 33,31*** 35,06*** 41,63*** [33,63;37,93] [29,77;36,85] [31,85;38,28] [36,72;46,55] Ny pen 41,98*** 45,00*** 39,93*** 42,11*** [39,14;44,82] [39,83;50,18] [35,57;44,29] [37,01;47,21] Nuværende inhalator 10,87*** 10,38*** 12,28*** 8,16*** [8,76;12,98] [7,00;13,76] [8,90;15,66] [3,76;12,56] Ny inhalator 11,37*** 11,31*** 12,72*** 8,10*** [9,21;13,52] [7,74;14,88] [9,31;16,13] [3,78;12,42] Anm: Asterisk angiver signifikansen for estimaterne: * p<005, ** p<001, *** p<0001 Beregninger er dokumenteret i bilag D5 143

145 59 Alternative tilgange til estimering For at få en fornemmelse af, om respondenternes valg i spørgeskemaet, afspejler deres valg i en virkelig situation, indeholder spørgeskemaet to spørgsmål vedrørende henholdsvis sværhedsgrad af valgspørgsmålene og usikkerhed i besvarelsen af disse Nederst i tabel 56 og 57 vises deskriptiv statistik for disse spørgsmål Det er plausibelt, at skalaparameteren ikke er den samme for de sikre og usikre respondenter Med andre ord formodes det, at respondenter, der føler sig usikre i deres besvarelse, og/eller synes, at øvelsen var svær, har en varians på den uobserverede del af nyttefunktionen, der er større, end den er for de respondenter, der ikke på samme måde har været i tvivl ved udfyldelse af spørgeskemaet For at undersøge denne formodning rundes resultatafsnittet af med en sammenligning af estimater estimeret med udgangspunkt i en heteroskedastisk logit model (afsnit 43), versus estimater fra standardmodellerne γ består af variablene prob og diff, der udtrykker henholdsvis konfidensgrad og sværhedsgrad Tabel 522 viser resultaterne af estimeringen for alle respondenter under ét samt for undergrupperne type 1 og type 2 Til sammenligning er som nævnt medtaget de tilsvarende resultater fra standardmodellerne (se tabel 510) Tabel 522 Sammenligning af estimater, heteroskedastiske modeller Størrelse, gram Dagbogsfunktion indbygget Integreret blodsukkermåler Mild, kortvarig hoste Egenbetaling, kr måned Konstant, pen Konstant, inhalator Heteroskedastiske modeller Standardmodeller Alle resp Type 1 Type 2 Alle resp Type 1 Type 2 b/se b/se b/se b/se b/se b/se -0,00089** -0, , ,00078*** -0,00143*** -0,00045* (0,000) (0,001) (0,000) (0,000) (0,000) (0,000) 0, , , , , ,03996 (0,023) (0,023) (0,032) (0,019) (0,037) (0,022) 0,19576** 0, ,13614* 0,16995*** 0,31289 *** 0,09813** (0,060) (0,115) (0,062) (0,034) (0,068) (0,037) -0,18305*** -0, ,21694** -0,17376*** -0,18014*** -0,17050*** (0,050) (0,059) (0,071) (0,032) (0,054) (0,041) -0,00207*** -0, ,00245*** -0,00187*** -0,00192*** -0,00185*** (0,000) (0,001) (0,001) (0,000) (0,000) (0,000) 2,65413*** 1, ,05318*** 2,34480*** 2,54239 *** 2,25512*** (0,628) (0,855) (0,817) (0,140) (0,238) (0,173) 1,72893*** 1, ,78795*** 1,50818*** 1,90750 *** 1,30699*** (0,427) (0,664) (0,514) (0,158) (0,279) (0,191) Heteroskedastiske variansest: Sværhedsgrad af valgspm, -0,04660* -0, , mlet (1) til msvært (10) (0,024) (0,046) (0,027) Konfidensgrad ved valgspm, 0, , , musikker (1) til msikker (10) (0,024) (0,052) (0,028) Chi² 22,79*** 18,62*** 13,34** 550,48*** 248,41*** 325,30*** Pseudo R² ,251 0,273 0,243 Antal obs Antal klynger Robust LM-test for heteroskedasticitet, Chi²(2): 101,38*** 72,89*** 55,99*** Anm: Asterisk angiver signifikansen for modellens overordnede fit samt for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede estimater genfindes i bilag D4 som modellerne H01-H03 og i D1 som A01-A03 144

146 Likelihood ratio testen for de heteroskedastiske modeller er signifikant, om end testobservatoren er meget mindre end i standardmodellerne Endvidere er parameterestimaterne generelt også mindre signifikante i de heteroskedastiske modeller Dette gælder især i undergruppen af type 1 diabetikere Med undtagelse af koefficienten for dagbogsfunktion, der overhovedet ikke er signifikant, er de øvrige parameterestimater i denne gruppe kun signifikante på et 90 pct konfidensniveau, dvs p < 0,1 Koefficienterne i modellerne med henholdsvis alle respondenter og type 2 diabetikere er i de heteroskedastiske modeller større end i de tilsvarende standardmodeller Dette indikerer, at skalaparameteren i disse tilfælde bliver mindre, når der ved beregningen af denne tages højde for tvivlspørgsmål hos respondenterne i forbindelse med besvarelse af valgsæt Det er vigtigt at bemærke LM-testen for heteroskedasticitet nederst i tabellen Denne tester nulhypotesen om konstant varians på den uobserverede del af nyttefunktionen, dvs γ = 0 Det ses, at nulhypotesen forkastes med en p-værdi mindre end 0,001 i alle tre modeller Sværhedsgrad og/eller konfidensgrad har altså indflydelse på usikkerheden forbundet med den uobserverede del af nyttefunktionen γ afspejler jo netop de nævnte karakteristikas indflydelse på skalaparameteren I midten af tabellen ses, hvorledes sværhedsgrad henholdsvis konfidensgrad påvirker skalaparameteren i de tre modeller Kun estimatet for sværhedsgrad i modellen med alle respondenter er signifikant og indikerer, at skalaparameteren bliver mindre, jo sværere valgøvelsen opfattes Dette er lige modsat det forventede, idet en plausibel antagelse er, at usikkerheden på den uobserverede del af nytten stiger med sværhedsgraden af valgøvelsen Generelt er estimaterne dog insignifikante, hvorfor der ikke bør konkluderes noget på baggrund af disse Tabel 523 viser betalingsvillighederne beregnet med udgangspunkt i parameterestimaterne fra tabel 522 dog kun for modellerne med henholdsvis type 1 type 2 diabetikere Estimaterne i de heteroskedastiske modeller er ikke væsentligt forskellige fra standardmodellernes estimater Også i disse modeller er der en stor nytte forbundet med integreret blodsukkermåler hos især type 1 diabetikerne, ligesom disnytten ved hoste også er udtalt Koefficienternes proportioner er generelt meget ens 145

147 Tabel 523 WTP estimater, heteroskedastiske modeller Heteroskedastiske modeller Standardmodeller Type 1 Type 2 Type 1 Type 2 wtp/ci95 (kr) Wtp/ci95 (kr) wtp/ci95 (kr) wtp/ci95 (kr) Størrelse: 100 gram -78,38*** -24,10* -74,36*** -24,16* [-116,42;-40,34] [-47,06;-1,15] [-110,89;-37,82] [-46,70;-1,61] Dagbogsfunktion indbygget 12,36 43,39 20,19 43,14 [-64,77;89,49] [-3,31;90,08] [-55,31;95,69] [-4,05;90,33] Integreret blodsukkermåler 334,03*** 110,93** 326,38*** 105,94** [186,52;481,54] [29,44;192,43] [173,42;479,34] [27,07;184,81] Mild, kortvarig hoste -168,41** -176,77*** -187,91** -184,06*** [-288,55;-48,28] [-268,13;-85,41] [-308,34;-67,47] [-275,01;-93,10] Konstant, inhalator 1010,07*** 728,46*** 994,88*** 705,47*** [726,70;1293,43] [538,42;918,50] [723,46;1266,31] [515,78;895,16] Konstant, pen 1342,52*** 1243,95*** 1326,01*** 1217,24*** [1077,14;1607,90] [1050,29;1437,60] [1070,38;1581,65] [1030,46;1404,01] Antal obs Antal klynger Anm: Asterisk angiver signifikansen for parameterestimaterne: * p<005, ** p<001, *** p<0001 De præsenterede WTP estimater genfindes i bilag D4 som modellerne WH02-WH03 og i D1 som WA02-WA03 Modellerne, der tager højde for, at respondenternes usikkerhed kan påvirke variansen på den uobserverede nytteandel, synes altså ikke at ændre resultaterne nævneværdigt Heteroskedasticitet for hvad angår variansen på den uobserverede nytteandel synes altså ikke at være et problem Dette understøttes af, at estimaterne, der viser effekterne af henholdsvis sværhedsgrad og konfidensgrad på skalaparameteren, med undtagelse af et enkelt estimat, er insignifikante 146

148 6 Diskussion Såvel teori og metode som de indsamlede data er nu grundigt belyst Det står dog stadigt tilbage at sætte resultaterne og de problemstillinger, som er blevet nævnt igennem specialeafhandlingen i øvrigt ind i en større og mere generel kontekst Undervejs i specialeafhandlingen er der blevet nævnt en række forhold, som måske kunne føre til problemer med fortolkningen af resultaterne Disse forhold kan nu belyses ved at sammenholde dem med resultaterne fra undersøgelsen og de erfaringer, som vi i øvrigt har gjort os i forbindelse med udarbejdelse af undersøgelsen Diskussionen i det følgende er delt op i følgende overordnede emner: (1) Først diskuteres eventuelle problemer i relation til den anvendte teori og metode (2) Dernæst tages hovedpunkterne fra resultatafsnittet op til diskussion (3) Efterfølgende diskuteres undersøgelsens gennemførelse med hensyn til selve processen og samarbejdet med eksterne samarbejdspartnere Endvidere belyses de metodemæssige valg, der er foretaget undervejs i processen retrospektivt (4) Endelig bliver der afslutningsvist samlet op på selve diskussionen, og erfaringerne fra undersøgelsen perspektiveres 61 Teori og metode 611 Teoretiske antagelser De antagelser, som gøres, og teoretiske modeller, som opstilles, indenfor økonomien bliver ofte anklaget for at være både urealistiske og en grov forsimpling af virkeligheden Ofte går det hårdest ud over den økonomiske forbruger, homo economicus, som er både egennyttemaksimerende og rationel på samme tid, mens han lever en stille tilværelse indenfor rammerne af den neoklassiske økonomiske teori For er det nu også realistisk, at vi alle er så selviske, at vi ikke kan se ud over vores egen næsetip? Den virkelige verden ville i hvert fald være temmelig kedelig at leve i, hvis den var nøjagtig som beskrevet i den økonomiske teori og økonomisk videnskab ville være en kedelig og meget eksakt en af slagsen Nu forholder det sig selvfølgelig ikke som beskrevet ovenfor heldigvis Homo economicus ville for øvrigt nok heller ikke kunne klare sig særligt længe i den virkelige verden De økonomiske teorier danner tilsammen et univers, der er et meget forsimplet billede af den virkelige verden, og det er indenfor disse rammer, at den økonomiske forbruger analyseres Så er det op til os som økonomer at vurdere, i hvilket omfang tilsvarende slutninger også kan drages i den virkelige verden Således også for nærværende undersøgelse De neoklassiske økonomiske axiomer De neoklassiske axiomer vedrørende bla komplethed, refleksivitet og transitivitet gør det muligt at kvantificere nyttebegrebet og sikrer samtidig, at individet er rationelt og har 147

149 komplette, veldefinerede og konsistente præferencer Der er umiddelbart ikke noget problem med hensyn til refleksivitet, men det kan diskuteres, hvorvidt antagelserne om komplethed og transitivitet er opfyldt i praksis Disse indebærer, at godebundter kan rangordnes konsistent, men da inhaleret insulin endnu ikke er på markedet (i Danmark), er der reelt tale om et hypotetisk gode Det er ikke fuldstændig realistisk at antage konsistent rangordning af goder, når respondenterne ikke har noget forhåndskendskab til godet Det er naturligvis derfor, at der gøres så meget ud af at beskrive de alternative goder i spørgeskemaet: Respondenterne tilføres information om pen og inhalator, så de forhåbentligt er i stand til at træffe en informeret beslutning (valg mellem behandling med pen eller inhalator) Selvom der måske i teorien sker et brud på antagelserne, så har det ikke helt så stor praktisk betydning, da det er muligt og relativt let at overføre informationen til respondenterne Kvaliteten af informationsoverførslen ville dog have været mere vellykket, hvis undersøgelsen var gennemført som personlige interviews, og det havde været muligt at lade respondenterne se og føle på produkterne Dette underbygges af resultaterne fra fokusgruppeinterviews, selvom respondenterne her blot fik forevist et billede af inhalatoren Som tidligere nævnt er det dog typisk ikke realistisk at gennemføre DCE undersøgelser ved personlige interviews, da det er for ressourcekrævende Et eksempel på problemer med informationsoverførsel i postbaserede undersøgelser diskuteres nedenfor i afsnit 623 (i relation til respondenternes meget subjektive vurdering af hosteattributten) Conditional logit modellens antagelser De øvrige økonomisk teoretiske antagelser i DCE Lancaster s teori om et godes værdi og RUT diskuteres ikke særskilt I stedet skal antagelserne i forbindelse med modellering af den teoretiske DCE model kort berøres mere specifikt IIA-antagelsen Som nævnt implicerer antagelsen, at sandsynligheden for valg af ét alternativ frem for et andet er upåvirket af den eventuelle tilstedeværelse af et eller flere andre alternativer i valgsættet I undersøgelsen såvel som i praksis er de eneste behandlingstilbud subkutan insulin og inhaleret insulin administreret ved brug af henholdsvis pen og inhalator Pumpe tilbydes så få danske diabetikere, at der ikke er tale om et reelt alternativ IIA-antagelsen er altså realistisk i nærværende sammenhæng, da alternativerne i designet kan betegnes som udtømmende Der kan dog eventuelt være et problem i relation til type 2 diabetikerne, der ikke er i insulinbehandling For denne gruppe er et reelt alternativ ingen behandling Som beskrevet er der forsøgt at tage højde for dette ved i spørgeskemaet at understrege, at der er tale om hypotetiske valg Som nævnt skal både pen og inhalator betragtes som generiske produkter ellers ville der eksistere hundredvis måske tusindvis af alternative penne og inhalatorer med hver deres 148

150 karakteristika I spørgeskemaet beskrives pen og inhalator med udgangspunkt i to Novoprodukter, men selve DCE instruktionen er holdt i generelle termer Alligevel kan det ikke fuldstændigt afvises, at nogle respondenter har opfattet valgene som et valg mellem en Novopen og en Novo-inhalator Det havde nok været hensigtsmæssigt at nævne eksplicit, at der er tale om valg mellem to generiske alternativer Afslutningsvis skal det nævnes ikke så meget i relation til IIA, men generelt i forhold til valgsættene at det inkluderede opt-out alternativ, Ingen af de to, netop har til formål at dække alle de situationer, hvor respondenten ikke føler sig i stand til at vælge mellem pen og inhalator Feks hvis respondenten har misforstået idéen med en hypotetisk valgsituation, eller hvis denne opfatter produkterne som værende ikke-generiske Under alle omstændigheder er det bedre at sådanne besvarelser opfanges af opt-out alternativet 612 Undersøgelsesdesign Med undersøgelsesdesign menes dels det specifikke spørgeskemadesign og dels selve DCE designet Enkelte problemstillinger i relation til designet er allerede berørt ovenfor og bliver derfor ikke inddraget i det følgende Spørgeskemadesign Generelt er vi tilfredse med spørgeskemadesignet, så der skal kun knyttes to korte kommentarer til dette I forbindelse med gennemgang af respondenternes kommentarer til undersøgelsen har enkelte respondenter bemærket, at de ikke forstod, hvorfor det var nødvendigt at stille 12 for dem enslydende spørgsmål Andre dog ganske få er ligefrem gået i stå i besvarelsen af valgsættene, hvorfor de er ekskluderet fra analyserne Vi synes naturligvis, at vi har forklaret metoden på en fornuftig måde i spørgeskemaet, men ovenstående betyder måske, at vi burde have præciseret endnu tydeligere, at der rent faktisk er en idé med at stille disse næsten enslydende valgspørgsmål Dernæst har vi efter gennemførelse af undersøgelsen overvejet, hvorvidt der er for meget tekst i spørgeskemaet især i relation til beskrivelse af alternativer og instruktion til DCE Hvis respondenterne ikke har læst teksten, fordi de synes, at der er for meget tekst, kan dette således være en forklaring på, at enkelte ikke har forstået i besvarelsen af DCE valgsættene I forbindelse med design af skemaet har vi dels fokuseret på at skabe et enkelt og let forståeligt layout Dels har vi tilstræbt at følge de metodiske forskrifter, der er for design af spørgeskemaer til DCE hvilket er ensbetydende med en del tekst Altså to modsatrettede krav Vi mener dog selv at have fundet det rette kompromis Bla er der ingen respondenter, 149

151 der direkte har givet udtryk for, at der er for meget tekst i skemaet bortset fra dem, som måtte have givet udtryk for dette ved at undlade at besvare samtlige spørgsmål i skemaet DCE design Det var fra starten naturligt at tage udgangspunkt i et alternativspecifikt design, da det hurtigt stod klart, at vi ville undersøge valgene mellem to alternativer, som ikke uden videre kan beskrives med udgangspunkt i ens attributter og i særdeleshed ikke med udgangspunkt i de samme attributniveauer Valget af alternativspecifikt design har dog også givet nogle problemer Det absolut største problem blev som nævnt opdaget i forbindelse med pilotundersøgelsen Efter pilotundersøgelsen blev det således besluttet, at pen og inhalator skulle beskrives ved de sammen niveauer af egenbetaling Vi havde antaget, at når den forventede egenbetaling med sikkerhed vil blive større for inhaleret insulin, så ville respondenternes egenbetalingsvilje som udgangspunkt også være større for inhaleret insulin Som beskrevet har det vist sig ikke at være tilfældet Udover ovenstående har vi efterfølgende stadig set en (overraskende?) større betalingsvilje for pen, i forhold til inhalator Dette får os til at overveje, hvorvidt denne forskel er reel, eller om den skyldes designet Som vi ser det, kan det være et problem, at vi specifikt for pen har medtaget en attribut, der er defineret, så den er forbundet med en forventet nyttestigning (integreret blodsukkermåler), mens vi for inhalator har medtaget en attribut, der forventeligt er forbundet med disnytte (hoste) Dertil kommer, at begge disse attributter har vist sig at være stærkt signifikante i modellerne, hvilket tyder på, at disse attributter har haft afgørende betydning for respondenternes valg Problemstillingen tages op igen i afsnit 623, hvor dennes relevans for fortolkningen af de estimerede resultater gennemgås Generelt mener vi, at det er nødvendigt at være påpasselig, når der tages udgangspunkt i et alternativspecifikt design Det vil sige: Vi tror ikke, at vi ville vælge alternativspecifikke attributter en anden gang, med mindre vi er helt sikre på, at de (to) alternativers specifikke attributter har nogenlunde den samme nyttevægt (og retning) Ellers er der mulighed for en indirekte favorisering af det ene alternativ frem for det andet i valgsættene (alternativet fremstår mere positivt i respondentens øjne, da det er beskrevet ved attributter, som opfattes positivt) Det kan være i orden at tildele alternativspecifikke attributniveauer til attributter, der ellers er fælles for alternativerne Valget skal dog være begrundet i reelle forskelle på alternativerne, og selv da er det nødvendigt at være påpasselig (her tænkes især på niveauer for prisattributten, jf ovenstående) 150

152 Størrelsesattributtens niveauer for inhalator skal også berøres kort, idet disse har medført problemer i relation til estimering af discrete choice modellerne, som nævnt i afsnit 572 Alternativspecifik konstant for inhalator blev automatisk udeladt af modellen som følge af kollinaritet, når denne blev interageret med størrelse Der ses tilsyneladende en nonlineær effekt af størrelse, således at disnytte af denne har minimum i niveauet 200 gram; men denne effekt er ikke signifikant Dette får os til at konkludere, at der snarere er tale om, at 200 grams niveauet for inhalator ikke er actionable for respondenterne I stedet burde vi burde have specificeret niveauerne for inhalator anderledes (feks 100, 300 og 600 gram) 62 Undersøgelsens resultater 621 Stikprøve og repræsentativitet I forbindelse med planlægning af undersøgelsen blev det aftalt, at spørgeskemaerne skulle sendes til 100 type 1 og 300 type 2 diabetikere Dette virkede umiddelbart fornuftigt ud fra den betragtning, at oversampling af type 1 diabetikerne ville sikre en tilstrækkelig stor andel af disse i stikprøven Således ville det være muligt at opnå omtrent lige mange besvarelser i grupperne: (1) type 1 diabetes, (2) type 2 diabetes, insulinbruger og (3) type 2 diabetes, ikkeinsulinbruger Som nævnt endte spørgeskemaerne med at blive sendt til 136 type 1 og 264 type 2 diabetikere Idet svarprocenten stort set er ens for de to grupper ca 75 pct, er fordelingen i den endelige stikprøve også den samme Det skal dog erindres, at det krævede en anden rykkerprocedure at få type 2 diabetikernes svarprocent op på højde med type 1 diabetikernes Dette kan skyldes, at type 1 diabetikerne generelt er mere villige til at bidrage til ny diabetesforskning ved feks at besvare spørgeskemaer end type 2 diabetikerne, hvilket igen kan forklares med, at type 1 diabetikerne generelt er yngre end type 2 diabetikerne (gennemsnitsalderen er 40 henholdsvis 54 år) For ældre mennesker kan det være svært at overskue, besvare og forstå et spørgeskema af en sådan kaliber, som det, der ligger til grund for nærværende undersøgelse Således skal der gøres en ekstra indsats for at overbevise denne gruppe om, at deres svar er af stor betydning og derfor umagen værd For de tre ovenfor nævnte undergrupper af diabetikere er fordelingen henholdsvis 102, 134 og 62 besvarelser (gruppe 1, 2 og 3) Det havde især været ønskværdigt med flere besvarelser fra sidstnævnte gruppe, da dette ville have gjort belysningen af forskelle i præferencer mellem type 2 diabetikerne, der bruger henholdsvis ikke bruger insulin, mere entydig og mere signifikant Med 32 pct af type 2 diabetikerne udgør gruppe 3 dog en større andel i stikprøven end i populationen Endnu flere type 2 diabetikere i insulinbehandling havde dog været at 151

153 foretrække på bekostning af færre type 1 diabetikere Denne gruppe endte uden vores vidende med at blive oversamplet endnu mere, end aftalen var Det kan i forlængelse heraf nævnes, at det havde været interessant at se svarprocenten for type 2 diabetikerne, der henholdsvis bruger og ikke bruger insulin Gennemsnitsalderen er højere for type 2 diabetikere i insulinbehandling end for resten af gruppen (55 år versus 53 år), hvilket skal ses i lyset af, at type 2 diabetikere som regel ikke behøver insulin i starten af deres sygdomsforløb Da vi ikke kender svarprocenten for de to undergrupper af type 2 diabetikere, vides det ikke, om et lavt antal respondenter i gruppe 3 skyldes en lav svarprocent i denne gruppe, eller om den oprindelig stikprøve mere eller mindre tilfældigt er udtrukket i nogenlunde overensstemmelse med populationens fordeling på de to undergrupper af type 2 diabetikere En lav svarprocent havde understøttet en formodning om, at ældre diabetikere generelt er sværere at få til at deltage i undersøgelser end deres yngre skæbnefæller Oversampling af type 1 diabetikere har betydet, at stikprøven ikke er repræsentativ med hensyn til diabetestype Det samme har vist sig at være tilfældet for kønsfordelingen både generelt og fordelt på aldersintervaller Det er måske ikke så overraskende, givet stikprøvens størrelse Der findes ikke en kønsopdelt diabetikerstatistik, der også opdeles på diabetestype Det ville have været interessant at kunne undersøge dette, da det som nævnt især er i gruppen af type 1 diabetikere (i stikprøven), at der er mange kvinder Forventningen før undersøgelsens gennemførelse var: (1) Type 2 diabetikerne og især ikkeinsulinbrugerne i denne gruppe er den forventede målgruppe for inhalatoren, og således de mest interessante i relation til undersøgelsen (2) Type 1 diabetikerne har været vant til at bruge pen siden diagnosetidspunktet, der ofte ligger tidligt i livet, og synes at have en a priori præference for dette udstyr Injektioner medfører ikke så stort ubehag, som diabetikere, der endnu ikke har prøvet det, forventer, hvorfor inhalatoren kun forventes attraktiv for type 1 diabetikere, der føler psykisk ubehag ved at skulle stikke sig selv offentligt Analyserne har efterfølgende vist, at type 1 diabetikerne har nogenlunde samme og i nogle tilfælde større betalingsvilje for inhalator Selvom type 1 diabetikerne således har vist sig at være interessante i analysemæssig sammenhæng, mener vi stadig, at det set i retrospektiv - havde været mere hensigtsmæssigt at reducere antallet af type 1 diabetikere i stikprøven mod til gengæld at få flere type 2 diabetikere når vi nu ikke kunne få finansieret en større stikprøve Givet størrelsen på undersøgelsen mener vi således også, at en ligelig fordeling på undergrupper (1, 2 og 3) er vigtigere end en repræsentativ stikprøve 152

154 622 Respondenternes karakteristika Kendskab til inhaleret insulin I gennemsnit angav 30 pct af respondenterne, at de i forvejen kendte til eller havde hørt om inhaleret insulin Ikke overraskende er kendskabsgraden størst hos den del af diabetikerne, som i dag bruger insulin; 50 pct for type 1 og 27 pct for type 2 diabetikerne, mens blot 16 pct af de ikke-insulinkrævende respondenter har hørt om inhaleret insulin Der er dog stor forskel på kendskabsgraden mellem type 1 og type 2 diabetikerne i stikprøven Dette er med til at underbygge, hvad vi og de fleste andre, der beskæftiger sig med diabetes, anser som tilfældet: Type 1 diabetikere er generelt mere villige til at forholde sig til deres sygdom, dvs de er mere opsøgende, hvad angår information om deres sygdom, og bidrager gerne med deres personlige erfaringer og holdninger i diabetesrelaterede undersøgelser Vi vurderer, at en kendskabsgrad, der spænder fra 27 til 50 pct, er ganske pænt for et produkt, som endnu ikke er kommet på markedet i Danmark Det skal dog nævnes, at de diabetikere, som er medlem af Diabetesforeningen i Danmark, typisk vil have læst om inhaleret insulin i Diabetesbladet (foreningens medlemsblad), da bladet tidligere har skrevet om inhaleret insulin Dertil kommer, at såvel Novo Nordisk som inhaleret insulin generelt har fået en del opmærksomhed i medierne i løbet af efteråret pct af de respondenter, der har forhåndskendskab til inhaleret insulin, har derfor ikke overraskende hørt om produktet via Diabetesbladet eller via medierne generelt (ca 50/50, hvoraf nogle har hørt om det både via dagspressen og i Diabetesbladet) Enkelte angiver Internettet eller sundhedspersoner (læger eller sygeplejersker) som kilde, og nogle ganske få angiver, at de kender til inhaleret insulin igennem deres arbejde eller uddannelsesmæssige baggrund (heraf er to ansat i Novo Nordisk A/S) At kende til eller have hørt om et produkt er dog ikke det samme som at kende produktet De tidligere nævnte kommentarer vedrørende hypotetiske goder er derfor stadig gældende Egenbetaling for diabetesrelateret medicin Respondenterne angiver en gennemsnitlig egenbetaling til diabetesrelateret medicin på 245 kr pr måned Det er værd at bemærke, at respondenternes betalingsvillighed for brug af inhalator ligger på nogenlunde samme niveau med deres nuværende egenbetaling, når de vel at mærke spørges direkte (151 kr og 262 kr henholdsvis med og uden nulbud) Respondenterne er altså imødekommende overfor brug af inhaleret insulin, men vil kun efterspørge det, hvis prisen bliver den samme som subkutan insulin og dette bliver efter al sandsynlighed ikke tilfældet Inhalatoren har ikke egenskaber, der i respondenternes øjne, retfærdiggør den relativt højere pris Diabetikerne synes generelt at have stor fokus på udgifterne relateret til deres sygdom Flere respondenter har i kommentarerne til spørgeskemaet bemærket, at 153

155 diabetes udover medicinudgifter også medfører ekstra udgifter til sund kost Om dette argument holder, kan diskuteres, men det understreger en holdning, som vi har mødt mange gange i forbindelse med udarbejdelsen af denne afhandling; nemlig at udgifterne til diabetes allerede i dag udgør mere end rigeligt af husholdningsbudgettet Denne holdning forventes især at være udtalt blandt diabetikere, der startede i insulinbehandling før marts 2000, hvor insulin var gratis 623 Respondenternes præferencer for udstyr til administration af insulin A priori præference for pen Selv om respondenternes direkte betalingsvillighed for brug af inhaleret insulin er på højde med deres nuværende egenbetaling for diabetesrelateret medicin, så er det alligevel kun 40 pct af respondenterne, der vil vælge inhalator frem for pen ved ens priser Dette skal ses i lyset af, at 55 pct af respondenterne er vant til at bruge pen Mange af disse er sikkert meget tilfredse med dette alternativ; de er blevet fortrolige med administrationsformen og ser derfor ingen umiddelbar grund til at skifte til inhalatoren De ved, hvad de har, men ikke hvad de får, og holder sig derfor til pennen, når de bliver bedt om at tage endelig stilling til, hvilket af de to alternativer, de ville vælge Værdisætningen af inhalator i dens nuværende form er nogenlunde ens for de sammenlignede undergrupper af diabetikere Det samme gælder for den nuværende pen dog med en tendens til, at de insulinkrævende type 2 diabetikere har en større betalingsvilje for pen set i forhold til de andre grupper Dette stemmer fint overens med kommentarer fra de (ca 14) respondenter, som har angivet, at de har en klar præference for pennen enten fordi de ikke mener at have nok kendskab til inhalator, eller fordi de vælger det kendte, dvs pennen, jf foregående afsnit Type 1 diabetikerne er generelt tilfredse med pennen Der er i hvert tilfælde ikke nogen resultater, der afkræfter dette Men de er tilsyneladende mere åbne for andre behandlingsformer end type 2 insulinbrugerne Det er således også type 2 insulinbrugerne, der har den største betalingsvilje for status-quo alternativet og ikke type 1 diabetikerne Overordnet set må vi derfor konkludere, at det især er type 2 insulinbrugerne, der har en a priori præference for pen Respondenternes kommentarer vedrørende præferencer Respondenternes kommentarer til undersøgelsen blev summeret i slutningen af afsnit 52 Nedenfor følger en række specifikke kommentarer, der på den ene eller anden måde berører spørgsmålet om respondenternes præferencer for udstyr til administration af insulin Den efterfølgende diskussion tager udgangspunkt i disse kommentarer: 154

156 i Tanken om at skulle inhalere noget som helst gennem næse eller mund skræmmer mig ii iii iv [derfor] betyder det meget for mig som diabetiker, at jeg kan skjule det [indtag af insulin] og ikke behøver vise alle og enhver, at jeg har det, som man jo ville gøre med inhalator, hvis man sad et sted, hvor man ikke havde mulighed for at gå på toilettet summa summarum: Pen er mere diskret end inhalator Al medicin og udstyr til diabetes burde være gratis i et velfærdssamfund, og jeg tror, at udgifterne til følgesygdomme langt overstiger det beløb, det vil koste at gøre det gratis, men det er selvfølgelig et politisk valg For mig er det meget vanskeligt at vurdere, hvad jeg ville foretrække Hvis lægen sagde, at begge var lige gode, ville jeg overveje inhalatoren v Min mand har stukket mig i 35 år Ad (i): Usikkerhed og manglende information vedrørende inhalator Som nævnt er der noget, der tyder på, at respondenterne har anlagt en subjektiv vurdering af hosteattributten Da attributten er forbundet med disnytte (for inhalator), betyder det, at den samlede betalingsvillighed for behandling med inhalator er biased i nedadgående retning Men som det har vist sig, er hoste langt fra den eneste bivirkning, som respondenterne er bekymrede over Ovenstående citat er et eksempel herpå Dertil kommer også bekymringer vedrørende inhalatorens doseringssikkerhed og bekymringer vedrørende øvrige bivirkninger ved inhaleret insulin ikke mindst langtidseffekterne Usikkerhed og manglende information er altså én årsag til, at betalingsvilligheden for inhaleret insulin er lav blandt respondenterne Det er ikke så mærkeligt, at sådanne forbehold er til stede: Inhaleret insulin er endnu ikke lanceret i Danmark, så graden af viden blandt både diabetikere og sundhedsfagligt personale er begrænset Informationsindsatsen overfor diabetikerne formentlig primært via praktiserende læger og diabetescentre er heller ikke på plads Der er altid nogle, som vil have forbehold overfor bestemte former for administration af lægemidler, herunder inhalation; men vi forestiller os, at problemet bliver langt mindre, når først inhaleret insulin lanceres på det danske marked Så bliver det muligt for diabetikerne at søge vejledning og information hos bla den praktiserende læge Ad (ii): Social stigmatisering Det var (og er) vores hypotese, at mange diabetikere føler ubehag ved at skulle indtage insulin i sociale sammenhænge eller i fuld offentlighed feks til en fest eller på en restaurant Inhalation syntes i den sammenhæng at være en udmærket måde at indtage insulinen på: Det 155

157 er jo ganske normalt at benytte astma-inhalator i fuld offentlighed Ovenstående citat er et eksempel på, at det ikke er alle, der ser det på den måde Denne respondent har således ikke kun et problem med at stikke sig selv i fuld offentlighed: Han ønsker ikke, at andre skal vide, at han har diabetes I den sammenhæng er inhalator ikke mere bevendt end pen Denne argumentation falder godt i tråd med diskussion af størrelse på inhalator Inhalatoren må ikke være større, end at den let kan transporteres i en taske helst også i en lille dametaske På samme måde gælder det, at en stor inhalator automatisk vil tiltrække mere opmærksomhed end en lille ditto Ovenstående problem ville måske ikke være så udtalt, hvis inhalator var på størrelse med en astma-inhalator Størrelse er altså endnu en årsag til, at betalingsvilligheden for inhalator er lav blandt respondenterne Ad (iii): Udgifter til behandling af diabetes Det tredje citat beskriver en tredje årsag til, at betalingsvilligheden for behandling med inhalator er lav blandt respondenterne Mange mener, at behandling af diabetes skal være billigere og måske endda gratis Dette skal som nævnt ses i sammenhæng med, at der tidligere har været 100 pct tilskud til insulin Diskussionen om egenbetaling for behandling af diabetes går på egenbetaling generelt, men den influerer dermed også automatisk på respondenternes betalingsvillighed for behandling med inhaleret insulin Som det fremgik af afsnit 572 er de generelle betalingsvilligheder for behandling med pen væsentlig større end de tilsvarende betalingsvilligheder for behandling med inhalator både hvad angår den nuværende udformning og den alternative udformning Ovenstående punkter er således eksempler på, hvorfor betalingsvilligheden hos respondenterne generelt er større for pen end for inhalator Ad (iv): Den autoritetstro diabetiker Patienter, der blindt tror på autoriteterne (lægen), er efterhånden en uddøende race og skal primært findes i den ældre del af befolkningen Citatet er taget med for at understrege, at det sundhedsfaglige personales indflydelse på patienternes præferencer ikke skal undervurderes Denne kommentar skal i øvrigt ses i sammenhæng med punkt (i) vedrørende manglende information i forbindelse med inhaleret insulin Ad (v): Ubehag ved injektion Det sidste citat er primært taget med som en kuriositet, men det viser klart, at der er nogle diabetikere, som føler meget stort ubehag ved injektion af insulin Denne respondent er således et godt eksempel på målgruppen for inhaleret insulin: Vedkommende ville formentlig 156

158 opnå en væsentlig forbedring i livskvalitet, såfremt det i øvrigt var muligt for vedkommende at benytte inhaleret insulin Spørgsmålet er således, hvilket perspektiv der skal anlægges ved analyse af de velfærdsøkonomiske gevinster ved indførelse af tilskud på nye og dyrere behandlingsformer som inhaleret insulin Som nævnt antyder Sadri et al (2005), at inhaleret insulin er forbundet med en så stor nytteværdi for visse grupper af diabetikere, at tilskud til den relativt dyrere behandling vil resultere i en velfærdsøkonomisk nettogevinst Sadri et al opfordrer således til, at sundhedsmyndigheder inddrager denne høje nytteværdi i beslutningsgrundlaget for, hvorvidt inhaleret insulin skal være tilskudsberettiget frem for udelukkende at fokusere på omkostningerne Sidstnævnte svarer til, at der i analysen udelukkende fokuseres på den nettoeffekt, som indførelse af tilskud til inhaleret insulin vil have på de offentlige kasser Ved anlæggelse af et samfundsmæssigt perspektiv kan det også være relevant at beregne den forventede nettoeffekt på diabetikernes livskvalitet som følge af indførelse af tilskud Vi er i den sammenhæng enige med Sadri et al i, at der for visse grupper af diabetikere såsom dem, der af den ene eller anden årsag har alvorlige problemer med injektion af insulin kan være en velfærdsmæssig gevinst ved indførelse af tilskud Vi mener dog ikke, at et generelt tilskud til behandling med inhaleret insulin kan retfærdiggøres: Dertil findes der alternative behandlingsformer, som er billigere og lige så gode (pen) Bias på estimaterne for betalingsvillighed Afslutningsvis skal problemer vedrørende bias på DCE estimaterne igen berøres kort Som nævnt er der observeret bias på de samlede estimater for inhalator-alternativerne Dels som følge af en subjektiv vurdering af hosteattributten og dels som følge af, at den alternativspecifikke konstant for inhalator bliver undervurderet Sidstnævnte opstår som følge af, at en del respondenter har valgt pen-alternativet i samtlige 12 valgsæt Vi står ved vores beslutning om at lade respondenter med dominerende svar indgå i analyserne Den samlede betalingsvillighed for pen og inhalator ville have været mere ens, hvis disse respondenter var blevet ekskluderet, men vi mener, at det er vigtigere at kunne sammenligne estimaterne for undergrupper af stikprøven fordelt på diabetestype og insulinbrug Det havde ikke været muligt at foretage undergruppeanalyser, hvis vi havde ekskluderet 69 ud af 298 respondenter fra analyserne Forskellen mellem estimaterne for pen og inhalator i terminalsituationen (PEN1 og INH1) bliver derudover større, da det har vist sig, at respondenterne har en særligt stor præference for integreret blodsukkermåler og dermed for PEN1 Dette er ikke en bias som sådan: Der er 157

159 tale om en reel forskel Som nævnt i afsnit 621 er der snarere tale om et uhensigtsmæssigt valg af attributter til de to alternativer 63 Undersøgelsens gennemførelse Vi har arbejdet med specialeafhandlingen og den dertil hørende undersøgelse af diabetikeres ønsker til insulinpræparater og -udstyr i cirka et år Sideløbende har vi udarbejdet seminar, som har fungeret som teknisk og teoretisk forstudie til specialeafhandlingen (Hansen og Jacobsen 2006) Arbejdet kunne måske godt have været gennemført på kortere tid, men som følge af årsager, der beskrives i det følgende, har det ikke været tilfældet I det følgende knyttes der i øvrigt også et par kommentarer til undersøgelsens gennemførelse generelt 631 Processen Mange parter involveret i processen Der er gået en del tid med koordinering af undersøgelsens gennemførelse, da flere eksterne parter har været involveret i processen Først og fremmest er designmæssige tiltag blevet diskuteret med både vejledere og Novo Dertil kommer, at GfK har stået for den praktiske gennemførelse af undersøgelsen Der er især brugt en del ressourcer på koordinering af den praktiske gennemførelse af undersøgelsen med GfK Dertil kommer, at vi, udover at skulle sætte os ind i teori, metode og policy-kontekst, også har skullet vænne os til rollen som koordinator/projektleder Forundersøgelser Ovenstående skal ikke forstås således, at vi er bekymrede over tidsforbruget i forbindelse med specialeafhandlingen Vi er tværtimod glade for, at vi givet os selv tid til at gå i dybden med forskellige detaljer i processen Vi er især glade for, at det har været muligt at gennemføre en forundersøgelse (fokusgruppeinterviews), da denne har givet os en uundværlig viden om diabetikernes præferencer for behandling og ikke mindst, hvordan det er at leve med diabetes generelt Forundersøgelsen er dels brugt til at fastlægge designet af undersøgelsen, men vi har i høj grad også kunnet referere til denne i forbindelse med generelle tvivlsspørgsmål På samme måde er vi glade for, at vi valgte at benytte seminar som et teknisk og teoretisk forstudie, selvom dette uden tvivl har været med til at forsinke arbejdet med specialeafhandling og undersøgelse Som regel er studerendes indlæringskurve kendetegnet ved, at den er meget stejl mod slutningen af forløbet Ved at gennemføre et forstudie har vi således sikret, at den fundamentale forståelse af teori og metode var på plads tidligt i forløbet 158

160 632 Datareliabilitet og validitet Datareliabilitet Samarbejdet med GfK har lært os, at det er nødvendigt at være meget grundig i sit forarbejde, hvis datareliabiliteten skal sikres, når data indsamles af tredjepart Alligevel kan der opstå overraskelser Problemer i relation til datareliabilitet blev diskuteret i afsnit 36, og konklusionen er, at reliabiliteten er udmærket Vi mener dog, at GfK kunne have gjort sig mere umage med opgaven ikke mindst i relation til indtastning, om end det altid er svært at kommunikere ønsker og fortolkning til tredjepart og opnå nøjagtig det forventede resultat Overordnet set er vi dog glade for, at Novo s finansiering har gjort det muligt at få GfK til at stå for den praktiske del af undersøgelsen Det har givet os mulighed for at gå i dybden med andre og mere vigtige ting Undersøgelsens validitet Vi vurderer, at validiteten af de indsamlede data generelt er udmærket, bortset fra de ovenfor nævnte problemer med bias Når respondenterne eksempelvis anlægger subjektive vurderinger på spørgsmål, som burde besvares objektivt, betyder det, at vi ikke har været gode nok til at forklare valgsituationen Måleinstrumentet er ikke kalibreret ordentligt Det er klart, at der er visse problemer med undersøgelsens empiriske validitet i relation til DCE Med empirisk validitet menes, i hvilket omfang undersøgelsen giver de forventede resultater Det bemærkes, at de danske resultater ikke er direkte sammenlignelige med de tidligere nævnte svenske og canadiske undersøgelser bla på grund af tilskudsregler og danske diabetikeres holdning til egenbetaling generelt Alligevel er der i disse undersøgelser en klar merbetalingsvillighed for inhaleret insulin I nærværende undersøgelse er betalingsvilligheden størst for pen Det er ikke i sig selv et tegn på manglende validitet, at konklusionen er anderledes end for tidligere undersøgelser Den samlede DCE betalingsvillighed for pen synes dog at være for stor sammenholdt med betalingsvilligheden for inhalator Tilsyneladende på grund af, at en del uobserverede effekter opsamles af konstantleddet for pen, hvilket bidrager til langt størstedelen af den samlede betalingsvillighed Den gennemsnitlige CVM betalingsvillighed (payment card) for en inhalator på 100 gram er 260 kr pr måned Det tilsvarende DCE estimat er knap 450 kr pr måned Normalt antages det, at de direkte metoder som CVM giver de største estimater, men her er det lige omvendt Dog er DCE estimatet sandsynligvis undervurderet Problemer med validitet skyldes formentlig de designmæssige valg, som blev diskuteret i afsnit

161 Selvom designet skaber visse problemer, mener vi stadig, at undersøgelsens resultater er brugbare De samlede estimater for pen og inhalator skal ikke tages for pålydende i monetære termer, men estimaterne giver stadig et godt billede af respondenternes præferencer for behandling med pen og inhalator Dertil kommer, at præferenceafdækning på attributniveau stadig er både valid og interessant 64 Opsamling Der er ikke nogen specifikke problemer for nærværende undersøgelse i relation til det teoretiske fundament for DCE Det bør altid haves in mente, at økonomi ikke er en eksakt videnskab, og at resultater altid skal fortolkes med en vis forsigtighed, når økonomisk teori forsøges anvendt på data fra den virkelige verden De nævnte problemstillinger i relation til undersøgelsesdesign kan have været med til at formindske undersøgelsens empiriske validitet Der kan dog stadig drages mange interessante konklusioner vedrørende betalingsviljer og præferenceafdækning på baggrund af analyserne i specialeafhandlingen På baggrund af de erfaringer, vi har gjort os fra både forundersøgelser og fra analyser af data, gives følgende råd og idéer forhåbentlig til inspiration for både lovgivere og producenter af insulinudstyr: Videreudvikling af pen og inhalator: Størrelsen på inhalator betyder mere end som så Først i det øjeblik, at det lykkes at udvikle en inhalator på størrelse med en mobiltelefon eller en astmaspray, vil det være muligt for inhalator at kunne konkurrere med pen på generel efterspørgsel Indtil da vil der være tale om et niche-produkt, som primært efterspørges af respondenter, der har forbehold i forbindelse med injektion af insulin Betalingsvilligheden for en integreret blodsukkermåler er meget stor, hvis denne vel at mærke automatiserer proceduren med måling af blodsukker (integreret og ikke blot indbygget blodsukkermåler) Undersøgelsen har fokuseret på blodsukkermåler i pen, men der er tilsyneladende tale om en generel betalingsvillighed, uafhængig af, om der er tale om pen eller inhalator Det er vigtigt at have in mente, at pen og inhalator ikke er fuldstændigt substituerende goder, primært fordi de to produkter henvender sig til forskellige målgrupper og fordi inhalator i øjeblikket kun kan anvendes til hurtigtvirkende insulin Offentligt tilskud er nok nødvendigt, hvis inhalator skal slå igennem 160

162 Vi mener, at inhaleret insulin og inhalator bør være tilskudsberettiget for de undergrupper af diabetikere, som kan forventes at få en væsentligt forbedret livskvalitet ved brug af inhalator, herunder: Diabetikere, hvis insulinindtag er uregelmæssigt på grund af nåleskræk Diabetikere, som har gener ved injektion af insulin, eksempelvis som følge af anden sygdom (feks øget risiko for blå mærker som følge af brug af blodfortyndende medicin) Kan inhalator få flere type 2 diabetikere i insulinbehandling? Udover ovenstående kan inhalator forhåbentlig være med til at forbedre livskvaliteten for den store del af type 2 diabetikerne, som i øjeblikket ikke er i insulinbehandling, men som burde være det Som nævnt vurderes det, at ca 20 pct af type 2 diabetikerne er i insulinbehandling; men det vurderes samtidig, at op imod 50 pct ville have gavn af insulinbehandling Der er ikke nogen umiddelbar forklaring på, hvorfor det forholder sig sådan Vi forestiller os, at det kan skyldes, at mange praktiserende læger benytter insulinbehandling som pressionsmiddel overfor type 2 diabetikere, som fører en usund livsstil, for på den måde at få dem til at motionere og spise sundt Det kan også skyldes, at de fleste diabetikere ikke ser diabetes som en sygdom, men snarere som en lidelse, som det er muligt at lære at leve med Samtidig er type 2 diabetikere ikke umiddelbart behandlingskrævende, hvis diabetes opdages tids nok Overgang til insulinbehandling støder således på en naturlig barriere: Når først diabetikeren skal til at stikke sig selv, så er han vel syg? Hvis inhaleret insulin skal kunne hjælpe med at få behandlingskrævende diabetikere i gang med insulinbehandling, vil det dog kræve målrettede tiltag Og det vil kræve, at inhaleret insulin bliver tilskudsberettiget for denne gruppe diabetikere Der er ikke meget incitament i at påbegynde insulinbehandling med inhalator, hvis der er 100 pct egenbetaling for denne behandlingsform Fremtidige undersøgelser Der er brug for opfølgende undersøgelser, som kan be- eller afkræfte resultaterne fra denne undersøgelse Især set i sammenhæng med, at konklusionerne vedrørende betalingsvilligheder for inhaleret insulin sammenlignet med subkutan insulin ikke stemmer overens med tilsvarende svenske og canadiske undersøgelser Dertil kommer, at der med fordel kunne gennemføres en større undersøgelse, så det ville være muligt at opnå mere signifikante resultater for undergrupperne type 1, type 2 insulinbruger og type 2 ikke-insulinbruger Alternativt kan gennemføres en undersøgelse separat for type 1 eller type 2 diabetikere 161

163 Afslutningsvis skal det nævnes, at etnicitet er bevidst udeladt af denne undersøgelse af begrænsningshensyn Men det kunne være interessant at undersøge etnicitet i relation til betalingsvillighed for behandling med inhaleret insulin Det er veldokumenteret, at der i visse etniske grupper findes en forøget arvelighed af type 2 diabetes Det er samtidig ikke usandsynligt, at diabetikere med en anden etnisk baggrund end dansk og dermed en anden kulturel baggrund også kan have en anden holdning til egenbetaling for medicin 162

164 7 Konklusion Formål Det overordnede formål med denne specialeafhandling er at undersøge danske diabetikeres præferencer for udstyr til administration af insulin Anledningen er lanceringen af en håndholdt insulin-inhalator på det danske marked i den nærmeste fremtid Hermed får insulinkrævende diabetikere for første gang en mulighed for at regulere deres blodsukker uden flere daglige injektioner om end insulinpennen, der i dag bruges til injektion, er lille og medfører minimalt ubehag ved injektion Specialeafhandlingen belyser diabetikernes værdisætning af henholdsvis pen og inhalator Mere specifikt estimeres betalingsvilligheden for de to alternativer både for diabetikere generelt og for undergrupper af diabetikere (type 1, type 2, type 2 insulin, type 2 ikkeinsulin) Desuden undersøges, hvilke karakteristika ved henholdsvis pen og inhalator, der er af afgørende betydning for diabetikernes valg af behandlingsform Endelig undersøges implikationerne af de estimerede resultater i et hypotetisk marked Metode Afhandlingen er baseret på et discrete choice experiment DCE er en præferencebaseret værdisætningsmetode, der indebærer, at respondenterne foretager en sekvens af hypotetiske valg mellem to eller flere alternativer Alternativerne adskiller sig på en række karakteristika kaldet attributter Variationen i alternativerne opnås ved at tildele attributterne forskellige niveauer efter en systematisk proces kaldet eksperimentelt design Hver gang et niveau ændres, opstår et nyt alternativ DCE afdækker herved respondenternes underliggende nyttefunktion indeholdende information om, hvilke egenskaber ved det pågældende alternativ, respondenten ligger vægt på Det teoretiske fundament for DCE er en kombination af random utility theory (RUT), Lancaster s økonomiske teori om et godes værdi samt neoklassisk økonomisk teori Lancaster s teori foreskriver netop, at det er godets objektive karakteristika, der giver godet værdi og altså ikke godet i sig selv Den neoklassiske teoris axiomer om rationelle, nyttemaksimerende individer sikrer, at der kan estimeres en lineær nyttefunktion og beregnes marginale substitutionsrater, mens RUT opstiller en teoretisk ramme for undersøgelse af menneskelig adfærd, herunder også forklaring af valgadfærd Data stammer fra den postbaserede spørgeskemaundersøgelse At leve med diabetes: Undersøgelse af diabetikeres ønsker til insulinpræparater og udstyr Den empiriske undersøgelse er designet og gennemført af forfatterne og finansieret af Novo Nordisk A/S Udover valgsættene til brug i DCE samt relaterede spørgsmål indeholder spørgeskemaet også en hel 163

165 række socio-demografiske spørgsmål, herunder primært spørgsmål vedrørende respondentens sygdomsforløb Til estimering af nyttevægtene i DCE anvendes som udgangspunkt en conditional logit model, der afhængig af konteksten justeres hvad angår variable og stikprøvegrundlag Modellen udgør den mest populære ramme til modellering af DCE bla fordi, at dens lukkede form gør det nemt at estimere, fortolke og teste resultaterne For at kunne estimere conditional logit i Stata (det valgte analyseværktøj) er data opsat således, at der er én observation pr valgalternativ (pr valgsæt), og attributterne er absolutkodede Tillige er kategoriske variable effektkodede Resultater Stikprøven er udtrukket fra populationen af voksne danske diabetikere Den endelige stikprøve består af i alt 298 respondenter Heraf har 102 type 1 og 196 type 2 diabetes, svarende til 34 henholdsvis 66 pct I populationen er fordelingen 17 henholdsvis 83 pct Ca 32 pct af type 2 diabetikerne er i insulinbehandling I populationen er andelen ca 20 pct Stikprøven består af 57 pct kvinder og 43 pct mænd Gennemsnitsalderen er 49 år; 46 år for kvinder og 53 år for mænd Stikprøven er hverken repræsentativ med hensyn til køn, diabetestype eller alder Specielt har overrepræsentationen af type 1 diabetikere i stikprøven vist sig problematisk, idet gruppen af type 2 diabetikere i insulinbehandling på den bekostning er blevet for lille til, at der kan produceres signifikante estimater (i de fleste tilfælde) Primært grundet manglende tilskud er den forventede, månedlige egenbetaling ved brug af inhalator 1000 kr Dette skal ses i forhold til en gennemsnitlig, månedlig egenbetaling på 125 kr ved brug af pen I henhold til undersøgelsens resultater tyder intet på, at den nyttemæssige værdi af inhalatorens egenskaber er så stor, at det i diabetikeres øjne kan retfærdiggøre den relativt større pris Under antagelse af ens priser foretrækker 40 pct af diabetikerne dog inhalatoren Som ventet er det blandt ikke-insulinbrugerne, at denne andel er størst Det formodes nemlig, at det fysiske og psykiske ubehag ved injektion overvurderes af personer, der ikke har prøvet det Spørges respondenterne direkte, tilkendegiver de en gennemsnitlig, månedlig betalingsvillighed for inhalatoren på 262 kr 151 kr hvis respondenter med en betalingsvillighed på nul medtages Set i lyset af, at respondenterne har udgifter til diabetesrelateret medicin på i gennemsnit 300 kr om måneden 245 kr inkl nulbud synes diabetikernes betalingsvillighed for inhaleret insulin at ligge på niveau med deres nuværende egenbetaling for diabetesrelateret medicin Modsat diabetikere i Sverige og Canada har danske diabetikere altså ikke en merbetalingsvillighed for inhaleret insulin set i forhold til subkutan insulin De 164

166 er dog positivt indstillet overfor brug af inhalator vel at mærke så længe alternativet ikke påfører dem ekstra udgifter Med udgangspunkt i DCE bliver respondenternes betalingsvillighed for brug af inhalator noget større; nemlig 397 kr i måneden Såfremt inhalatoren vejer det halve af prototypen, dvs 100 gram, stiger betalingsvilligheden til 444 kr Betalingsvilligheden for brug af pen er dog markant større For respondenterne under ét er betalingsvilligheden 1108 kr i måneden, og 1279 kr, hvis der er i pennen er integreret en blodsukkermåler For respondenter i insulinbehandling synes betalingsvilligheden endog endnu større, hvilket indikerer, at brugere af pen generelt er godt tilfredse med dette alternativ, og at de daglige injektioner ikke er så ubehagelige, som personer, der ikke har prøvet det, forventer Netop hos type 2 diabetikerne, der ikke er i insulinbehandling, kan forventningen om fysisk eller psykisk ubehag i forbindelse med injektioner føre til en relativ højere betalingsvillighed for inhalatoren både i forhold til pennen og i forhold til de øvrige undergrupper af diabetikere Denne udbredte opfattelse understøttes dog ikke af undersøgelsens resultater Både totalt og for alle fire undergrupper af respondenter er betalingsvilligheden de estimerede conditional logit modeller større for pen end for inhalator Det er modsat forventningen undergruppen af type 1 diabetikere, der har den største erklærede betalingsvillighed for inhalatoren Herefter følger dog type 2 diabetikerne, der ikke bruger insulin Den ubestridt mindste betalingsvillighed for inhaleret insulin har gruppen af type 2 diabetikere i insulinbehandling Denne gruppe oplever omvendt den største nytte ved pen Hvad angår præferencer for de to alternativer, synes de to undergrupper af insulinbrugere altså at være mere forskellige end type 1 diabetikere og type 2 diabetikere i insulinbehandling Dette kan skyldes, at type 1 diabetikere generelt er yngre end type 2 diabetikerne, og således bedre informerede om deres sygdom og mere åbne overfor nye behandlingsmetoder Gruppen af type 2 diabetikere i insulinbehandling tæller primært ældre mennesker, der efter at være blevet fortrolige med pennen ikke på samme måde har mod på at afprøve et for dem endnu ukendt produkt; de er mere risikoaverse Den store forskel mellem betalingsvilligheden for pen og inhalator i conditional logit modellerne skal primært forklares med to ting: (1) Som udgangspunkt er det valgt at bibeholde respondenter, der har valgt det samme alternativ i alle valgsæt, i analyserne Hovedparten af disse respondenter har haft pen som det dominerende alternativ, hvilket er med til at reducere størrelsen på den alternativspecifikke konstant for inhalator og dermed den samlede betalingsvillighed for dette alternativ (2) Den alternativspecifikke attribut er positiv for pen 165

167 (blodsukkermåler), men negativ for inhalator (hoste) Selv om der er tale om mild, forbigående hoste, er der ikke desto mindre tale om en bivirkning ved produktet, hvorfor respondenterne indirekte har favoriseret alternativet for hvilket, der ikke er oplyst en følgevirkning Hoste og integreret blodsukkermåler er netop de to attributter, der vægter mest i respondenternes nyttefunktion Respondenterne vil i gennemsnit betale 186 kr i måneden for at undgå hoste Dette relativt store beløb indikerer, at respondenterne har overvurderet hostens styrke Betalingsvilligheden for en integreret blodsukkermåler er 182 kr i måneden Det er især type 1 diabetikerne, der med en betalingsvillighed på 326 kr i måneden oplever en stor nytte ved blodsukkermåleren Antallet af ugentlige blodsukkermålinger i denne gruppe overstiger da også gennemsnittet for de øvrige grupper af diabetikere, hvorfor udbyttet af denne funktion bliver større I betragtning af respondenternes relativt store nytte ved integreret blodsukkermåler formodes det, at denne egenskab ved pennen har stor betydning for dette alternativs popularitet i undersøgelsen: Har pennen integreret blodsukkermåler i et scenarium skal der meget til, for at visse respondenter ikke vælger dette alternativ, idet de har så stærke præferencer for blodsukkermåleren Dagbogsfunktion er ikke signifikant, ligesom størrelsen ikke er blevet tillagt samme vægt i valgsituationen, som det var forventet på baggrund af resultaterne af fokusgruppeinterviewene og respondenternes generelle kommentarer til undersøgelsen Her blev det bla bemærket, at det var vigtigt, at inhalatoren kunne være i en dame-taske Med udgangspunkt i et hypotetisk marked for insulinadministrationsudstyr vil velfærdsgevinsten ved integration af blodsukkermåler i pennen målt som den kompenserende variation være 79 kr for den enkelte diabetiker Type 1 diabetikere kan dog fratages hele 145 kr efter kvalitetsforbedringen og stadigvæk være lige så godt stillet som i udgangssituationen Omvendt vil en halvering af inhalatorens størrelse kun føre til en velfærdsgevinst på 2 kr Såfremt det hypotetiske marked tæller en pen og en inhalator, som de generelt ser ud i dag også prismæssigt, samt de to forbedrede alternativer, vil pennene erobre 92,5 pct af markedet, mens inhalatorerne må nøjes med en markedsandel på 7,5 pct Som ventet er det blandt ikkeinsulinbrugere, at inhalatorerne vil blive efterspurgt mest Under antagelse af ens priser ændres markedsandelene for de to administrationssystemer dog markant Pennenes markedsandel falder til 78 pct på bekostning af inhalatorernes, der stiger til 22 pct Igen understreges det, at prisen er en meget vigtig parameter i diabetikernes valg af insulinadministrationsudstyr 166

168 Generelt må det konkluderes, at nærværende undersøgelse producerer resultater, der står i modsætning til resultaterne fra lignende undersøgelser i Canada og Sverige såvel som forfatternes egne forventninger: Betalingsvilligheden for behandling med inhaleret insulin er ikke større end for behandling med subkutan insulin Desuden er det ikke type 2 diabetikere, men snarere type 1 diabetikere, der har den største betalingsvillighed for inhaleret insulin såvel som for subkutan insulin Dog ligger ikke-insulinbrugernes betalingsvillighed for inhaleret insulin relativt højt i hvert fald, når de spørges direkte Der synes ikke at være forskel på mænd og kvinders betalingsvillighed for inhaleret insulin, men betalingsvilligheden synes derimod at være stigende med indkomsten Sidstnævnte er en mulig forklaring på, hvorfor type 1 diabetikerne generelt har en højere betalingsvillighed: Denne gruppe tæller primært personer i beskæftigelse, der ikke udelukkende lever af pension mv, hvilket er tilfældet for hovedparten af type 2 diabetikerne, hvor de fleste står udenfor arbejdsmarkedet Diskussion Spørgsmålet er herefter, hvorfor resultaterne er anderledes end både forudgående forventninger og tidligere undersøgelser? Dette skyldes formentlig dels, at der er en række barrierer for inhaleret insulin på det danske marked, hvoraf de fleste er nævnt ovenfor Dels skyldes det problemer med bias og validitet For sidstnævnte gælder det dog, at ændring af undersøgelsens design efter vores mening ikke vil ændre ved hovedkonklusionerne i relation til betalingsvillighed Med barrierer menes dels ulemper ved inhaleret insulin og inhalator og dels barrierer som følge af den måde, som det danske marked for insulin er opbygget på Den største ulempe ved inhalator er givetvis størrelsen på apparatet Størrelsen betyder, at det kan være besværligt at have inhalatoren med i en taske Samtidig gør størrelsen, at inhalatoren ikke er specielt diskret ved brug i det offentlige rum Størrelsen bliver således en barriere for de respondenter som ikke ønsker, at andre skal vide, at de har diabetes Den væsentligste af alle barrierer er dog stadig egenbetaling for behandling med inhaleret insulin For det første er det en barriere, at diabetikere generelt har en lille egenbetalingsvilje for behandling sammenlignet med behandling af andre sygdomme Dette skyldes blandt andet, at insulinbehandling var gratis før 1marts 2000 For det andet er der heller ikke noget, der tyder på, at inhaleret insulin vil blive omfattet af de generelle tilskudsregler for medicin Foruden egenbetaling og størrelse er usikkerhed om inhalatorens virkning og manglende information om inhalator generelt også en barriere Modsat egenbetaling og størrelse vil problemet med usikkerhed dog blive væsentligt mindre i det øjeblik, at produktet lanceres på det danske marked, da det så bliver lettere at søge information og vejledning om behandling 167

169 Det kan dog ikke afvises, at enkelte har et generelt forbehold overfor administration af medicin ved inhalation Der opstår bias på DCE estimaterne på grund af designet og på grund af de valg, som er truffet i forbindelse med analyserne De samlede betalingsvillighedsestimater for inhalator bliver således undervurderet Vi vurderer dog ikke, at problemer med bias og validitet berører undersøgelsens hovedkonklusion: Danske diabetikeres betalingsvillighed for behandling med pen er større end deres betalingsvillighed for behandling med inhalator Perspektivering Det er vores vurdering, at det vil være fornuftigt at gennemføre yderligere studier, da denne undersøgelse modsiger tidligere resultater fra udenlandske undersøgelser Yderligere undersøgelser af betalingsvilligheden for insulinbehandling kan være med til at verificere resultaterne fra denne forholdsvis lille undersøgelse Verifikation er altid vigtigt, men særligt i dette tilfælde da der er observeret problemer i det valgte design Vi vurderer ligeledes, at det vil være gavnligt at gennemføre et større studie, der giver mulighed for en tilbundsgående undersøgelse af præferencer for forskellige typer diabetikere Hvis der ikke er mulighed for at gennemføre et større studie, kan det anbefales at målrette studiet mod de undergrupper af diabetikere, som vurderes at udgøre målgruppen for inhaleret insulin Type 1 diabetikernes gennemgående højere betalingsvillighed skal ses i lyset af, at denne gruppe er yngre og for størstedelens vedkommende stadig i beskæftigelse Heraf følger en større indkomst i forhold til de mange type 2 diabetikere, der står udenfor arbejdsmarkedet Det faktum, at betalingsvillighed reelt måles på forskellige skalaer grundet forskellige indkomster, er udeladt af specialeafhandlingen af begrænsningshensyn Det vil dog være en oplagt problemstilling at tage op i et fremtidigt studie for på den måde at se, om der sker ændringer i betalingsvillighederne, når der tages højde for indkomst Tests i nærværende undersøgelse viser således, at der er en indkomsteffekt på betalingsvillighed På samme måde skal etnicitet afslutningsvis nævnes som en problemstilling, der kunne være interessant at tage op i et fremtidigt studie Etnicitet er også udeladt af denne undersøgelse af begrænsningshensyn, men det kunne være interessant at undersøge etnicitet i relation til betalingsvillighed for behandling med inhaleret insulin Det er veldokumenteret, at der i visse etniske grupper findes en forøget arvelighed af type 2 diabetes Det er samtidig ikke usandsynligt, at diabetikere med en anden etnisk baggrund end dansk og dermed en anden kulturel baggrund også kan have en anden holdning til egenbetaling for medicin 168

170 Litteratur Bøger: Andersen, Per, Lene Nielsen og Tanja Nissen (1999), Velfærdsøkonomi Teori og Anvendelser, Odense Universitetsforlag Bateman, I J, R T Carson, B Day, M Hanemann, N Hanley, T Hett, M Jones-Lee, G Loomes, S Mourato, E Özdemiroglu, D W Pearce OBE, R Gugden og J Swanson (2002), Economic Valuation with Stated Preference Techniques: A Manual, Edward Elgar Publishing Ben-Akiva, Moshe E og Steven R Lerman (1985), Discrete Choice Analysis: Theory and application to travel demand, 2 nd ed, The MIT Press, Cambridge, Massachusetts Boardman, A E, D H Greenberg, A R Vining, og D L Weimer (2001), Cost-Benefit Analysis - Concepts and Practice, 2 nd ed, Prentice Hall, Inc, Upper Saddle River, New Jersey Frankfort-Nachmias, Chava og David Nachmias (1996), Research Methods in the Social Sciences, 5 udgave, Arnold, London Freeman, A Myrick III (2003), The measurement of environmental and resource values Theory and methods, 2 nd ed, Resources for the Future, Washington, DC Greene, William H (2003), Econometric Analysis, 5 th ed, Pearson Education, Inc, Upper Saddle River, New Jersey Kuhfeld, Warren F (2005), Marketing Research Methods in SAS: Experimental Design, Choice, Conjoint and Graphical Techniques, SAS Institute Inc, Cary, NC, USA Internet (pdf-dokument): Louviere, J, D A Hensher, og J Swait (2000), Stated Choice Methods, analysis and application, Cambridge University Press, UK Long, Scott J og Jeremy Freese (2003), Regression Models for Categorical Dependent Variables Using Stata, Revised Edition, Stata Press McClendon, McKee J (2004), Multiple Regression and Causal Analysis, F E Peacock Publishers, Inc, Itasca, Illinois StataCorp (2005), [R] Stata Base Reference Manual: Release 9, 3-bindsværk, Stata Press, College Station, Texas Train, Kenneth E (1993), Qualitative Choice Analysis: Theory Econometrics, and an Application to Automobile Demand, 3 rd reprint (original fra 1986), The MIT Press, Cambridge, Massachusetts Internet: Train, Kenneth E (2003), Discrete Choice Methods with Simulation, Cambridge University Press, UK Internet: Varian, Hal R (1999), Intermediate Microeconomics: A Modern Approach, 5 udgave, W W Norton & Company, New York 169

171 Wooldridge, J M (2002), Econometric analysis of Cross Section and Panel Data, The MIT Press, London, UK Artikler og Working Papers: Bech, Mickael, Trine Kjær, Jørgen Lauridsen og Dorte Gyrd-Hansen (2004), Hvad ønsker studerende af deres fremtidige job? Illustration af et diskret valg eksperiment, Nationaløkonomisk Tidsskrift, vol 142 (2004), pp Bech, Mickael og Dorte Gyrd-Hansen (2005), Effects coding in discrete choice experiments, Health Economics Letters, vol 14(2005), pp Berg, Bernard van den, Werner B F Brouwer og Marc A Koopmanschap (2004), Economic valuation of informal care: An overview of methods and applications, The European Journal of Health Economics Vol 5(1), pp Ben-Akiva, Moshe, Daniel McFadden, Makoto Abe, Ulf Böckenholt, Dennis Bolduc, Dinesh Gopinath, Takayuki Morikawa, Venkatram Ramaswamy, Vithala Rao, David Revelt og Dan Steinberg (1997), Modeling Methods for Discrete Choice Analysis, Marketing Letters Vol 8(3), pp Bryan, Stirling og Paul Dolan (2004), Discrete choice experiments in health economics: For better or for worse?, The European Journal of Health Economics, Vol 5(3), pp Cramer, JA, J Okikawa, S Bellaire og P Clauson (2004), Compliance with inhaled insulin treatment using the AERx idms insulin diabetes management system, Diabetes technology and therapeutics Vol 6(6) 2004, pp Mary Ann Liebert, Inc DeShazo, JR og German Fermo (2002) Designing choice sets for stated preference methods: the effects of complexity on choice consistency, Journal of Environmental Economics and Management Vol 44, pp Erlander, Sven (2005), Welfare, freedom of choice and composite utility in the logit model, Social Choice and Welfare, Volume 24, Issue 3, Jun 2005, Pages Hanemann, William M og Barbara J Kanninen (1998), The Statistical Analysis of Discrete- Response CV Data, Working Paper Series 798, University of California at Berkeley, Department of Agricultural and Resource Economics and Policy, [1 udgave offentliggjort 1996] Hanson, Kara, Barbara McPake, Pamela Nakamba og Luke Archard (2005), Preferences for hospital quality in Zambia: results from a discrete choice experiment, Health Economics, Vol 14(7), pp Hensher, David, Jordan Louviere og Joffre Swait (1999), Combining sources of preference data, Journal of Econometrics Vol 89, pp Hensher, D og W Greene, W H (2002), The Mixed Logit Model: The State of Practice, Working Paper, Institute of Transport Studies, University of Sydney 170

172 Hermansen, Kjeld, Tapani Rönnemaa, Astrid H Petersen, Shannon Bellaire og Ulf Adamson (2004), Intensive therapy with inhaled insulin via the AERx insulin diabetes management system: A 12-week proof-of-concept trial in patients with type 2 diabetes, Diabetes Care Vol 27(1) 2004, pp Hole, Arne Risa (2006a), A comparison of approaches to estimating confidence intervals for willingness to pay measures, Working Paper, National Primary Care Research and Development Centre, Centre for Health Economics, University of York Hole, Arne Risa (2006b) Small sample properties of tests for heteroscedasticity in the conditional logit model, HEDG Working Paper 06/04 Internet: Huber, J og K Zwerina (1996), The Importance of Utility Balance in Efficient Choice Designs, Journal of Marketing Research, vol 33, pp Johnson, F Reed, Ranjani Manjunath, Carol A Mansfield, Laurel L Clayton, Thomas J Hoerger og Ping Zhang (2006), High-Risk Individuals' Willingness to Pay for Diabetes Risk-Reduction Programs, Diabetes Care Vol 29(6) 2006, pp Krinsky, Itzhak og A Leslie Robb (1986), On Approximating the Statistical Properties of Elasticities, The Review of Economics and Statistics, MIT Press, vol 68(4), pages , November Krinsky, Itzhak og A Leslie Robb (1990), On Approximating the Statistical Properties of Elasticities: A Correction, The Review of Economics and Statistics, MIT Press, vol 72(1), pages , Februar Lancaster, K J (1966), A new approach to consumer theory, Journal of Political Economy, vol 74, no 2, pp Lancsar, Emily og Cam Donaldson (2005), Discrete choice experiments in health economics: Distinguishing between the method and its application, The European Journal of Health Economics, Vol 6(4), pp Manski, C H (1977), The Structure of Random Utility Models, Theory and Decision, vol 8, pp McFadden, D (1974), Conditional logit analysis of qualitative choice behaviour, i Frontiers of Econometrics, P Zarembka, ed, Academic Press, London, UK, pp McFadden, D og Train, K (2000), Mixed MNL models for discrete response, Journal of Applied Econometrics, vol 15, no 5, pp Papke, Leslie E og Jeffrey M Wooldridge (2005), A computational trick for delta-method standard errors, Economics Letters, Vol 86(3) 2005, pp Ryan, Mandy (1999), A Role for Conjoint Analysis in Technology Assessment in Health Care?, International Journal of Technology Assessment in Health Care, vol 15:3, pp

173 Ryan, Mandy, David A Scott og Cam Donaldson (2004), Valuing health care using willingness to pay: a comparison of the payment card and dichotomous choice methods, Journal of Health Economics Vol 23, pp Sadri, Hamid, Linda D MacKeigan, Lawrence A Leiter og Thomas R Einarson (2005), Willingness to Pay for Inhaled Insulin: A Contingent Valuation Approach, Pharmacoeconomics, Vol 23(12), pp Sillano, Mauricio og Juan de Dios Ortúzar (2005), Willingness-to-pay estimation with mixed logit models: some new evidence, Environment and Planning A, Vol 37(3), pp Swait, Joffre og Jordan Louviere (1993), The Role of the Scale Parameter in the Estimation and Comparison of Multinomial Logit-Model, Journal of Marketing Research, vol 30, nr 3, pp Thipphawong, John, Babatunde Otulana, Per Clauson, Jerry Okikawa og Stephen J Farr (2002), Pulmonary insulin administration using the AERx insulin diabetes system, Diabetes technology and therapeutics Vol 4(4) 2002, pp Mary Ann Liebert, Inc Viney, Rosalie, Elizabeth Savage og Jordan Louviere (2005), Empirical investigation of experimental design properties of discrete choice experiments in health care, Health Economics, Vol 14(4), pp Rapporter mv: Chancellor, J, S Aballéa, A Lawrence, R Sheldon, S Cure og J Plun-Favreau (2006), Preferences of people with diabetes for inhaled vs injectable insulin regimens, fra konference: Poster P221, Diabetes UK Annual Professional Conference, marts 2006, ICC og NIA, Birmingham, UK Diabetesforeningen (2002), Håndbog om type 2 diabetes, Diabetesforeningen, Odense Diabetesforeningen (2004), Patientvejledning: Type 2 diabetes, udarbejdet i samarbejde med Dansk Selskab for Almen Medicin, Internet: tilgængelig på Diabetesforeningen, Odense Diabetesforeningen (2006), Patientvejledning: Type 1 diabetes, Internet: tilgængelig på Diabetesforeningen, Odense Hansen, Jesper Kjær og Majbritt Jacobsen (2006), Discrete Choice Experiments: Sammenligning af estimeringsmetoder i Stata, 2dels seminar, Syddansk Universitet Odense, Institut for Sundhedstjenesteforskning, Sundhedsøkonomi, Internet: tilgængelig på Henriksen, Jan Erik og Henning Beck-Nielsen (2002) Insulinbehandling, 4 dec 2006 Institut for Rationel Farmakoterapi (2006) Diabetes type 2 behandling, diabetes_-_behandlinghtm, 4 dec

174 wwwmedicinpriserdk (2006), Medicinpriserdk: Novorapid FlexPen, [listepris for Novorapid FlexPen (insulinpen)] 5 dec 2006 National Institute for Health and Clinical Excellence (NICE) (2006) Final Appraisal Determination: Inhaled insulin for the treatment of diabetes (types 1 and 2), pdf-dokument på hjemmesiden 27 nov 2006 Novo Nordisk (2002), Novo Nordisk historie, pdf-dokument på hjemmesiden 7 jan 2007 Prütz, C, E Toft, S Suchdev, K Fält og B Walderud (2006), Diabetic patients preference for inhaled insulin [resultatoversigt fra WTP-studie, sponsoreret af Pfizer] wwwstenodk (2006a), Steno Diabetes Center Om diabetes, 27 nov 2006 wwwstenodk (2006b), Steno Diabetes Center Type 1 diabetes, 27 nov 2006 wwwstenodk (2006c), Steno Diabetes Center Type 2 diabetes, 27 nov 2006 Sundhedsstyrelsen (2006a), Det nationale diabetesregister 2005 (foreløbig opgørelse), i serien Nye tal fra Sundhedsstyrelsen, 2006:24, november 2006 Sundhedsstyrelsen (2006b), Monitorering af rygevaner 2006, Internet: resultatoversigt på er/danskernes_rygevaner/udvikling_2006aspx?lang=da, 21 jan 2007 Thybo, Hanne (2003), Tilskud til diabetikere, 5 dec 2006 Wognsen, Annette (2006), Pumpebehandlingen halter bagefter, 4 dec

175 Bilag A: Proces og forundersøgelse 174

176 Bilag A1 Oplæg til samarbejde vedr empirisk studie Værdisætning og prioritering af sundhedsydelser ved brug af Discrete Choice Experiments Oplæg til samarbejde vedrørende gennemførelse af empirisk undersøgelse i forbindelse med økonomi-speciale Hvem er vi? Discrete Choice Experiments, kort fortalt Et lille eksempel Vores idé Vi er 2 økonomistuderende, som søger samarbejdspartner til en empirisk undersøgelse i forbindelse med afslutningen af overbygningsuddannelsen i økonomi (oecon) ved Syddansk Universitet i Odense Jesper følger overbygningslinien Økonomisk policy-analyse og projektledelse, mens Majbritt følger den generelle overbygningslinie (uden liniebetegnelse) Vi er begge ved at være færdige med uddannelsen For kontaktoplysninger, se næste side Discrete Choice Experiments (DCE) er en estimationsmetode, som kan bruges til værdisætning af forskellige former for varer og ydelser (goder), eller mere specifikt: estimation af betalingsviljer for forskellige egenskaber ved godet DCE anvendes dog typisk til værdisætning af såkaldte ikke-markedsgoder, dvs goder, hvor prisen ikke på forhånd er givet i markedet På det økonomiske område er DCE mest udbredt indenfor sundheds- og miljøøkonomien Metodens styrke er, at man kan værdisætte forskellige egenskaber (attributter) ved godet Det er naturligt for økonomer at inddrage en økonomisk kvantitativ attribut, såsom feks omkostninger eller betalinger (feks betaling for børnehave), da det gør det muligt at måle betalingsviljen (ved at se på det relative forhold mellem denne og en anden attribut), men det er ikke strengt nødvendigt Det kan sådan set også være tale om en undersøgelse, hvor man blot beder befolkningen afveje forskellige sundhedstilbud, uden nødvendigvis at inddrage en betalingsattibut Undersøgelse af brugerbetalingen i børnehaver Forældrene er respondenter i undersøgelsen Attributter for børnehavebetaling kunne feks være længere åbningstid morgen/aften, servering af frokost mv Med en DCE-undersøgelse ville det således være muligt at få svar på feks: Hvor meget mere er forældrene villige til at betale pr måned for, at børnehaven holder åbent én time længere hver dag? (eksemplet er fra de data, som vi i øjeblikket bruger i forbindelse med et seminar) Vi skriver i øjeblikket et teoretisk seminar om brugen af DCE til værdisætning af primært ikke-markedsgoder Som afslutning på vores uddannelse skal vi udarbejde en specialeafhandling, og i denne vil vi gerne gøre brug af DCE-metoden i forbindelse med gennemførelse af en empirisk undersøgelse Vores idé går ud på, at bruge DCE til undersøgelse af, hvad borgerne mener kommunerne skal tilbyde borgerne af sundhedstilbud Mere konkret forestiller vi os at fokusere på den del af sundhedstilbudene, som fremover er kommunernes ansvar En sådan undersøgelse kunne danne grundlag for kommunernes diskussion af hvilke tilbud, der skal tilbydes i de sundhedscentre, som mange kommuner overvejer at oprette i disse år Vi forestiller os, at ydelserne i disse centre som udgangspunkt er skattefinansierede i langt de fleste kommuner, men da resultaterne fra undersøgelsen kan kvantificeres som betalingsviljer for udvalgte ydelser, kan undersøgelsen evt også bruges til at undersøge, hvorvidt der er interesse blandt borgerne for brugerbetalte ydelser, som man planlægger at tilbyde Selv hvis spørgsmålet om betaling (en betalingsattibut) ikke ønskes inddraget i undersøgelsen, vil det med DCE-metoden være muligt at opnå forholdsvist klare svar på, hvilke sundhedstilbud befolkningen prioriterer (relativt) i forhold til andre tilbud 175

177 Samarbejde? Vi forestiller os et samarbejde, hvor vi påtager os at gennemføre en undersøgelse som ovenstående i forbindelse med vores speciale Afrapportering sker i form af en specialeafhandling, som foruden afrapportering af undersøgelsen skal overholde en række krav til specialeafhandlinger ved Syddansk Universitet Undersøgelsesdata kan stilles til rådighed, hvis I ønsker at foretage yderligere analyser Vi forestiller os, at undersøgelsen designes med hjælp fra vores vejledere, som er tilknyttet Institut for Sundhedstjenesteforskning, enheden for Sundhedsøkonomi ved Syddansk Universitet og med udgangspunkt i såvel jeres som vores ønsker til indhold Vi har især brug for jeres hjælp til: Identifikation af interessante problemstillinger Identifikation og udvælgelse af relevant stikprøve Dataindsamling, herunder - udsendelse af postbaserede spørgeskemaer eller - administration i forbindelse med anden form for dataindsamling - modtagelse af spørgeskemaer Vi sørger herefter selv for indtastning og bearbejdning af data Tidshorisont Afslutningsvis Referencer Vejledere Det er vores plan, at specialeafhandlingen kan afleveres senest primo oktober 2006 Dette afhænger naturligvis af, hvor hurtigt det er muligt at komme i gang med undersøgelsesdesign samt ikke mindst hvilken dataindsamlingsmetode, der benyttes Det teoretiske seminar forventes afleveret i maj måned 2006 Ovenstående idé er naturligvis blot ét blandt mange områder, hvor brugen af denne undersøgelsesmetode kunne være interessant Det er således muligt, at I ser et større behov for undersøgelse af et andet emne indenfor feks sundheds- eller socialområdet Sådanne emner vil formentlig også have vores interesse, blot vil vi gerne kunne tage udgangspunkt i DCE-metoden Vi håber, at ovenstående har vakt jeres interesse, og vi håber således at høre fra jer Kontakt Jesper eller Majbritt for nærmere information (se kontaktoplysninger nederst på siden) Vedlagt følger problemformulering, disposition og foreløbig indledning til vores teoretiske seminar Discrete Choice Experiments: Sammenligning af estimationsmetoder i Stata Seminar-opgaven fokuserer på de tekniske aspekter ved DCEestimation og skal i det hele taget udgøre det teoretiske fundament, som vi vil bygge vores empiriske specialeafhandling på En række forskere ved Syddansk Universitet, herunder vores vejledere, arbejder med DCE Et eksempel på en undersøgelse, der gør brug af DCE, er: Bech, Mickael, Trine Kjær, Jørgen Lauridsen og Dorthe Gyrd-Hansen (2004), Hvad ønsker studerende af deres fremtidige job? Illustration af et diskret valg eksperiment, Nationaløkonomisk Tidsskrift, vol 142 (2004), s Vores vejledere på såvel seminar som speciale er: Mickael Bech, lektor (primær vejleder) og Trine Kjær, Phd studerende, begge tilknyttet Institut for Sundhedstjenesteforskning, enheden for Sundhedsøkonomi ved Syddansk Universitet Det vides endnu ikke, hvorvidt det er relevant at inddrage andre vejledere, men feks er Professor Kjeld Møller Pedersen også tilknyttet instituttet 176

178 Kontaktoplysninger Vi startede begge på bacheloruddannelsen i økonomi ved Syddansk Universitet i september 2001, og er således 4½ år inde i vores studie studoecon Jesper Kjær Hansen Poppelhaven 2, 1tv 5240 Odense NØ Mobil tlf kjaerhansen@oncabledk studoecon Majbritt Jacobsen Hejrevej 17, 2, dør København NV Mobil tlf majbrittjacobsen@gmailcom 177

179 Bilag A2 Samarbejdsaftale med Novo Nordisk A/S 178

180 179

181 Bilag A3 Interviewguide til fokusgruppeinterviews Interviewguide Interviews af diabetes-patienter Forundersøgelse ifm undersøgelse af: Diabetespatienters præferencer for inhaleret insulin et Discrete Choice Experiment Baggrund Dette dokument beskriver den planlagte fremgangsmåde i forbindelse med gennemførelse af interviews med diabetes-patienter Disse interviews skal hjælpe os (de specialestuderende) med at få gennemført interviewundersøgelsen på en metodisk korrekt måde Vi forventer at skulle interviewe ca 10 patienter med såvel type 1 som type 2 diabetes (og for type 2: for såvel Diet & Exercise (DE), Orally Administered Drugs (OAD) som insulin-brugere) Vi forventer, at Torsten hjælper os med at skaffe kontakt til feks en diabetes-skole, hvor vi kan foretage disse interviews Tidsplan Formål Generelle retningslinier Vi vil forsøge at gennemføre interviews i perioden 15 maj 15 juni 2006 Formålet med interviews er at skaffe baggrundsviden, som skal bruges i forbindelse med planlægning og design af spørgeskemaer, indeholdende et Discrete Choice Experiment (DCE) Dels viden om patienternes vurdering af og præferencer for forskellige attributter for/egenskaber ved inhaleret insulin (som i øjeblikket er under udvikling af Novo Nordisk), dels til vurdering af hvilke attribut-niveauer, der skal angives for de enkelte attributter og dels almindelig baggrundsviden om diabetes-patienters sygdomshistorier, som kan hjælpe os til bedre at forstå, hvordan det er at leve med sygdommen Vi påtænker at optage alle interviews ved hjælp af diktafon eller lign Optagelserne skal udelukkende bruges i vores arbejde med design af den kvantitative undersøgelse Vi planlægger derfor ikke at vedlægge afskrifter af interviews som bilag til den endelige rapport Vi vil derudover forsøge at få patienterne til selv at fortælle så meget som muligt, uden at afbryde dem og uden at lægge ord i munden på dem På den måde skulle vi gerne sikre, at vi får vendt de problemstillinger, som patienterne selv mener er relevante i forhold til deres sygdom og det nye insulin-produkt Disp for interviews 1 Introduktion Vi planlægger at gennemføre interviews ud fra følgende disposition: Vi præsenterer, hvorfor vi foretager interview Vi er ved at afslutte vores uddannelse ved Syddansk Universitet Vi arbejder i den forbindelse på en undersøgelse af et nyt insulin-produkt, som i øjeblik er under udvikling Undersøgelsen laves i samarbejde med Novo Nordisk Der er tale om insulin, som indtages ved hjælp af en inhalator Det nye produkt vil kunne erstatte den korttidsvirkende (mad)insulin Vi håbede, at du ville fortælle os lidt om de erfaringer, som du har gjort dig med hensyn til det at leve med sygdommen [opfatter du det selv som en sygdom]? Og derefter vil vi spørge lidt til, hvilke egenskaber, som du mener er vigtige ved det udstyr, som du bruger i forbindelse med behandlingen af din diabetes 2 Baggrunds-oplysninger Først lidt baggrunds-oplysninger: (køn) 180

182 alder tid siden diagnose, evt tid siden brug af insulin påbegyndt klassifikation: Type 1 eller 2 klassifikation: hvis type 2: DE, OAD eller insulin-bruger klassifikation: hvis insulin-bruger: hvilke typer insulin erhverv [primært fysisk krævende vs ikke-fysisk krævende] indkomst [om muligt, til at vurdere korrelation med maksimal egenbetaling] 3 Diagnose 4 Sygdomshistorie 5 Afdækning af egenskaber / mulige attributter 6 Inhaleret insulin Beskrivelse Hvordan og hvornår blev respondenten diagnosticeret Hvordan fandt du ud af, at du havde sukkersyge? Eventuelle opfølgende spørgsmål, hvis nødvendigt: Var der tale om en radikal omlægning af dit liv og din hverdag? Hvordan er det at leve med sygdommen i det daglige Fortæl lidt om din hverdag som diabetiker Hvordan har sygdommen påvirket dit liv og din hverdag? Eventuelle opfølgende spørgsmål: Føler du i dag, at sygdommen styrer dig, eller at du styrer sygdommen? Har det altid været sådan? Har du forbehold overfor at skulle begynde at stikke dig selv? eller: Hvor hurtigt vænnede du dig til insulin-injektionerne? Har du nogen gener som følge af din diabetes (evt følgesygdomme)? Opfatter du sig selv som patient, bruger eller noget helt tredje? Vi starter med en åben diskussion af de egenskaber, som respondenten lægger vægt på i forbindelse med behandlingen af diabetes Først senere inddrages/beskrives det nye produkt Hvad generer dig mest i det daglige ifm behandling af din diabetes? Hvilke egenskaber lægger du vægt på ved det udstyr, som du bruger til behandling af din diabetes? Hvis du frit kunne vælge [hvis det var teknisk muligt], hvad ville du så ændre ved det udstyr, som du bruger ifm den daglige behandling? Beskrivelse af det nye produkt samt gennemgang af attributter/niveauer Som vi sagde til at begynde med, så er Novo Nordisk i gang med at udvikle et nyt diabetes-produkt: inhaleret insulin Vi vil gerne høre din umiddelbare mening om det nye produkt, og vi vil også gerne høre lidt om, hvilke egenskaber, som du lægger vægt på, når det gælder det apparat, som du bruger til at indtage insulinen med Beskrivelse af det nye produkt Først en kort beskrivelse af det nye produkt [vi kan evt medbringe et billede af en tidlig prototype(?)] [Du kan se en tidlig prototype af apparatet på dette billede] Det nye produkt får en størrelse på ca [indsæt størrelse her], hvilket svarer til 181

183 Med det nye produkt inhaleres insulinen, som optages i kroppen via slimhinderne[det betyder, at doseringen skal være lidt større end hvis insulinen blev injiceret] Der er indbygget en sikkerhedsmekanisme i apparatet, som betyder, at det ikke er muligt at overdosere insulinen [Det er efterfølgende muligt at aflæse antal indtagne insulin-enheder på apparatet] (?) Inhaleret insulin erstatter ikke den langtidsvirkende insulin, som du evt skal indtage, før du går i seng Inhaleret insulin erstatter den korttidsvirkende (mad)insulin Der kan være en bivirkning ved inhaleret insulin, i form af forbigående, mild hoste Det er ikke nødvendigt at opbevare inhalerbar insulin i køleskab Du skal regne med, at egenbetalingen for det nye produkt bliver større end egenbetalingen ved brug af apparat til injektion, feks [Indsæt navn på nogenlunde sammenlignelig Novo-pen her] Umiddelbar vurdering Afdækning af attributter Gennemgang af attributter Respondentens umiddelbare vurdering af det nye produkt Hvad er din umiddelbare mening om det beskrevne produkt? Ville du overveje at gøre brug af produktet? Respondenten bedes nævne egenskaber/attributter, som vedkommende mener er vigtige for et insulin-apparat, feks attributter og attribut-niveauer, som gør at respondenten ville vælge det ene apparat frem for det andet Hvilke egenskaber lægger du vægt på ved det apparat, som du skal bruge til at indtage din insulin? Kom evt med eksempler: størrelse på apparat, mulighed for at ændre dosering, let at dosere, egenbetaling Hvilke egenskaber kunne få dig til at vælge det ene produkt frem for det andet, feks vælge inhaleret insulin frem for det apparat du bruger i dag (eller, hvis ikke-bruger: [Indsæt navn på nogenlunde sammenlignelig Novo-pen her])? Gennemgang af de attributter, som respondenten lige har nævnt, plus nedenstående attributter, med henblik på afdækning af niveauer Mange af de attributter, som vi selv har diskuteret indtil videre, er binære, hvilket betyder at niveauer er givet mere eller mindre naturligt Attributter: Bivirkninger: Feks ingen (subkutan) versus forbigående, mild hoste (inhaleret) Apparatets størrelse og vægt: Henvis til billeder og/eller beskrivelser af kanyle og inhalator Dosering: Kan man selv justere på dosering (se ark fra Torsten)? Inhalations-guide : Løsgiver inhalator kun insulin, når inhaleringstempo er korrekt (se ark fra Torsten)? Doserings-guide : Apparatet registrerer mængden af insulin, der inhaleres, og bekræfter, at mængde er indtaget Alternativt gør apparatet ikke Pris: Feks Egenbetaling i kroner pr dag, uge måned 182

184 Antal behandlinger pr dag: Udover den langtidsvirkende insulin, som man altid skal tage sammen med inhaleret insulin (jf hvad Torsten sagde på mødet) Opbevaring: Køleskab versus ikke køleskab Hvis du skulle vælge mellem apparat til inhaleret insulin og det apparatur, som du bruger i dag (eller, hvis ikke-bruger: [Indsæt navn på nogenlunde sammenlignelig Novo-pen her]), ville [Indsæt navn på attribut/egenskab] da have betydning for dit valg? Herefter, opfølgende spørgsmål vedrørende niveauer Det er svært at formulere disse på forhånd, men ifm egenbetaling kunne spørgsmålet feks lyde: Hvor meget ville du maksimalt være villig til selv at betale pr måned for inhaleret insulin (egenbetaling)? Hvor meget bruger du ca på diabetes-præparater pr måned i dag? Andre forhold Hvis det ikke allerede er kommet op under interviewet, afsluttes interviewet med spørgsmål vedrørende begrebet social stigma, dvs det forhold, at man som diabetiker engang imellem kommer ud for at skulle stikke sig, mens man befinder sig i det offentlige rum, og at folk måske ser mærkeligt på en, fordi de tror, at man er stiknarkoman Afslutningsvis: Er der noget, jeg har glemt at spørge om? Noget du gerne vil tilføje Mange tak for hjælpen! Uafklarede spørgsmål Der er en række ting, som vi gerne vil have afklaret, førend vi påbegynder interviews: Det drejer sig især om: Fastlæggelse af beskrivelse af det nye produkt, herunder finde ud af, hvorvidt vi skal vise et billede at en prototype Vi kan evt også udtrykke størrelsen ved sammenligning med et produkt, som respondenten kender Fastlæggelse af begreber: Ovenfor har vi refereret til udstyr, som bruges i forbindelse med administration af insulin som apparater Hvilke terminologier skal vi skal vi lægge os fast på? Tilsvarende, kan vi kalde det nye produkt noget andet end inhalerbar insulin, eller er denne beskrivelse god nok? Bestemme os for, hvad vi skal sammenligne det nye produkt med Da der er tale om en forundersøgelse, forventer vi ikke at interviews strengt følger ovenstående disposition Vi vil forsøge at komme rundt om alle de beskrevne punkter, men vi vil i høj grad lade os styre af, hvad respondenten mener er vigtigt /jkh, (revideret ) 183

185 Bilag A4 Fokusgruppeinterviews: resumé og konklusion Personlige interviews med diabetes-patienter Forundersøgelse til "Diabetespatienters præferencer for inhaleret insulin et Discrete Choice Experiment" Tid og sted Gennemførelse 19 juni 2006, MUUSMANN Research & Consulting, Kolding Majbritt Jacobsen og Jesper Kjær Hansen var til stede til alle interviews og stod skiftevis for gennemførelse af interviews (evt opfølgende spørgsmål fra den anden interviewer) Majbritt: respondent 1, 3 og 6; Jesper: respondent 2, 4 og 5 Torsten Christensen fra Novo Nordisk deltog i de fleste interviews og stod for præsentation af det nye produkt (inhalator) og besvarede evt faktuelle spørgsmål fra respondenten Interviews blev gennemført i en uformel atmosfære, hvor der var tid lidt smalltalk og til at besvare evt spørgsmål fra respondenterne Det var ikke noget problem, at der deltog 3 personer plus respondenten til interviews Det var en stor fordel at have Torsten med til præsentation af inhalator, da Majbritt og Jesper ikke ville kunne have givet den samme præsentation Respondenterne Diabetes-type Køn og Alder Erhverv Forhåndskendskab til diabetes Sammenfattende kan stikprøven (på 6 respondenter) beskrives på følgende måde: En respondent med diabetes type 1 (opstået ifm første graviditet) og 5 respondenter med type 2; heraf fire tablet-brugere, en insulin-bruger og en, der både bruger insulin og tabletter Respondent 3, som har type 1 diabetes, bruger pumpe og ikke pen Type 1 respondent var 33 år; type 2 respondenter var alle over 50 år Tre kvinder og tre mænd En potentiel bias ved forundersøgelsen er, at alle respondenter viste sig pt at være udenfor arbejdsmarkedet ((førtids)pensionist, efterløn, arbejdsløs og barsel) Det skyldes naturligvis til dels, at interviews var planlagt indenfor normal arbejdstid Vi vurderer dog, at problemet ikke er voldsomt stort Alle respondenter, med undtagelse af respondent # 4 har familie eller venner med sukkersyge, så de kendte alle i et eller andet omfang til diabetes før de selv blev diagnosticeret Respondent 4 har til gengæld haft sukkersyge i 30 eller mere, og har igennem tiden opbygget et indgående kendskab til diabetes Særligt informerede var respondent 1 (arbejdet på sygehus; mand og søster med diabetes), 2 (diabetes i 25 år, deltaget i forsøg, farfar, mor, datter og barnebarn har/havde også diabetes), 4 (diabetes i 30 år, læst meget om sygdommen, spurgt læge-ven ud om diabetes) og til dels også respondent 6 (mor og bror har/havde diabetes, bror død som følge af diabetes), men hun havde åbenlyst et mere traumatisk (og mindre informeret) forhold til sygdommen, bla som følge af broderens død Forbehold overfor injektioner Ingen af ovenstående informerede respondenter havde en decideret aversion mod på et tidspunkt at skulle til at stikke sig selv # 2 og # 6 tager allerede insulin med pen og # 4 stikker sig selv en gang om ugen i anden sammenhæng # 1 har heller ikke nogen forbehold, primært fordi hun har arbejdet på sygehus # 4 siger, at han er bekymret for dannelse af arvæv på langt sigt og # 6 får blå mærker ved injektion, da hun får blodfortyndende medicin Faktisk er det kun respondent 5, som fik konstateret diabetes type 2 for to år siden og som i dag er på tabletter, men som skal begynde på insulin indenfor en 184

186 overskuelig fremtid, som har direkte forbehold overfor injektioner (har dog ikke problemer med at stikke sig i fingerspidserne ifm blodsukker-måling) Han er parat til at stoppe med at ryge for at kunne bruge inhalator i stedet for pen, når han skal til at bruge insulin (se nærmere beskrivelse nedenfor) Livsomlægning Respondent # 2 5 giver alle udtryk for, at de var igennem en radikal livsomlægning, da de fik konstateret diabetes # 2, 3, 5 peger på kostomlægningen som det værste, dels fordi man skulle undvære de søde sager og den fede sovs (# 2, 5) og for respondent 3 fordi hun synes, at hele hendes liv kom til at handle om at planlægge måltider og huske at spise (type 1) # 4 giver udtryk for at det værste var det psykiske: Hvad vil det nu sige i fremtiden at have diabetes? Respondent # 1 og 6 er/har været vant til at leve i sammen med en diabetiker, så der var for dem ikke tale om den store omlægning af deres livsførelse Gener/følgesygdomme Præsentation af inhalator Som forventeligt er det de respondenter, som har haft konstateret diabetes længst (# 2 og 4), som har problemer mht følgesygdomme Disse respondenter nævnte følgende helbredsmæssige problemer: begyndende neuropati ( brændende fødder ), synsproblemer (# 2) og begyndende nyreproblemer (tager EPO, men skal i dialyse på et tidspunkt), hjerneblødning, fodproblemer (# 4) Endvidere har respondent # 6 haft en blodprop, men det var før hun blev diagnosticeret med diabetes (mulig sammenhæng alligevel(?)) Som nævnt ovenfor døjer hun, som følge heraf, med blå mærker ved injektioner pga den blodfortyndende medicin Efter den første del af interviewet, hvor der blev talt om baggrund og generelle ting såsom gener og problemer ifm diabetes og ifm udstyr, blev inhalator præsenteret som beskrevet nedenfor Samtidig med den mundtlige præsentation blev der vist et billede af en inhalatorprototype, afbilledet i en mande-hånd Billedet gav et rimeligt indtryk af inhalators størrelse Prototype var dog endnu ikke beklædt med plastic- eller metalkappe, så den fremstod ikke i dens endelige design Novo s inhalerede insulin blev beskrevet som følger: Design vil blive lavet i samarbejde med B&O (ligesom nogle af pennene) Man skal have nogle strimler med sig i en pakning ved siden af apparatet Strimlerne indeholder insulin og sættes i apparatet, som så omdanner insulinen i strimlerne til inhalerbar form (små dråber, lidt ligesom en blomsterforstøver, så insulin kan indtages v/inhalation) Der er 10 enheder i hver strimmel Det betyder, at man skal indtage insulin af flere omgange, hvis man tager mere end 10 enheder af gangen Insulin-strimler kan opbevares ved stuetemperatur (vist nok op til 28 grader) Ikke helt så let at inhalere som det er ved en astma-spray Man skal koncentrere sig og tage en god, dyb indånding, så man er sikker på, at man får det hele med ned, så man er sikker på, at man får al insulinen med ned i det dybe lungevæv Der er en sikkerhedsfunktion (en form for trafiklys), som viser hvis man inhalerer for meget eller for lidt Kun hvis man inhalerer korrekt frigives insulinen Det apparat til inhaleret insulin, som er på markedet i øjeblikket, har ikke sådan en sikkerhedsfunktion indbygget Hvis man har udviklet rygerlunger eller hvis man er (aktiv) ryger, kan det influere på den mængde insulin, som optages (da insulinen skal optages i det dybe lungevæv) Det anbefales derfor, at inhalator ikke tilbydes til rygere og personer med fx rygerlunger Mundstykke bliver enten: (1) udskifteligt (skiftes en gang om ugen), eller (2) man skal selv sørge for at tage det af og vaske det Det bliver enten 1 eller 2 Det er en design-beslutning, som ikke er taget endnu 185

187 Størrelsesmæssigt bliver den som på billedet (200 kubikcentimeter), lidt mindre end en pakke Kærgården og vejer lidt mindre end en pakke Kærgården (200 gram) Virkningen er nøjagtig den samme som det insulin man indtager med pen, men inhalator kan pt kun erstatte den korttidsvirkende insulin (madinsulin) Forbigående, mild hoste kan forekomme i forbindelse med inhalation (bivirkning, ca 4 pct af deltagerne i Australien-forsøg) Produkt formentlig klar i 2010 eller 2011 Der har været kørt forsøg med type 1 patienter i Australien med gode resultater, men der er stadig andre forsøg, som endnu ikke er afsluttet Apparatet får et display, hvor man kan vælge, hvor mange enheder man vil indtage, og det guider efterfølgende en i, hvordan man får de ønskede antal enheder (fx hvis der skal bruges mere end 10 enheder/ en strimmel) Dagbogs-funktion er indbygget i apparatet Dvs, apparatet lagrer hvor meget insulin man har indtaget og hvornår Kan fx bruges til egen kontrol eller lægen kan aflæse oplysningerne, hvis man ønsker det Oplysningerne vil kunne overføres til pc og vil blive præsenteret i et i software-program, som følger med Gennemgang af: egenskaber Størrelse Respondenternes umiddelbare holdning til inhaleret insulin var meget positiv: Stor, men fantastisk opfindelse, spændende, Smart, Meget positiv og Lyder spændende var nogle af kommentarerne De tre første respondenter (2 kvinder og en mand) nævnte samtidig størrelsen som en meget vigtig egenskab Kommentarerne i den forbindelse var Stor og Lidt klodset, og de mente at størrelsen skulle ned omkring samme størrelse som en astma-spray eller en moderne mobiltelefon De tre sidste respondenter (to mænd og en kvinde) så derimod ikke størrelsen som et problem De svarer da også alle ja til, at de ville overveje at bruge inhaleret insulin, og det er blandt disse, at nogen af de største betalingsviljer skal findes # 5 ville stadig vælge inhalator frem for pen, selvom inhalator havde dobbelt størrelse Respondent 1 vil kun bruge det, hvis det kommer til at koste det samme som subkutan insulin, # 2 mener at han er blevet for gammel til at skifte fra pen til insulin (man ved hvad man har, men ikke hvad man får) og # 3 (type 1 diabetes) er pumpe-bruger og ville skille sig af med sin mand, førend hun skiller sig af med sin insulin-pumpe Havde valget stået imellem pen og inhalator, ville hun dog have valg inhalatoren Bivirkninger Indbygget sikkerhed Dagbog Bivirkninger i form af forbigående mild hoste var ikke et problem for nogen af respondenterne Den gennemgående melding var, at det er meget vigtigt, at apparatet har en sikkerhedsventil, som sikrer at man får den korrekte dosis Doserings-sikkerheden ved Novo s inhalator og ved pennene er ens, hvis man vel at mærke ikke har lungeproblemer, som nævnt ovenfor Grunden til at dette punkt nævnes, er at Eli Lilly s inhalator, som allerede er på markedet i Tyskland, ikke har en sådan sikkerhedsmekanisme Respondent 5 angav, at han ville være villig til at betale 500 kr/måned mere for en inhalator med indbygget sikkerheds i forhold til en inhalator uden Dagbogs-funktion, som kan holde styr på, hvor meget insulin, der er indtaget på givne tidspunkter, delte respondenterne Respondent # 1 3 mente, at en dagbogsfunktion ville have ingen eller meget lille betydning, hvorimod # 4 6 mente, at der var tale om en væsentlig egenskab # 6 ville betale ekstra for dagbogs-funktionen 186

188 Opbevaringstemperatur To respondenter mente at det var smart og en fordel, at strimler til inhalator ikke nødvendigvis skal opbevares i køleskab; men overordnet set vurderer vi, at denne egenskab blev vurderet til at være mindre væsentlig Egenbetaling Vi fik ret forskellige bud på den maksimale egenbetaling pr måned for inhaleret Som vi ser det, hænger buddene godt sammen med: (1) sandsynligheden for at skulle til at stikke sig indenfor den nærmeste fremtid (med undtagelse af dem, der allerede bruger insulin-pen) og (2) graden af antipati mod af skulle stikke sig selv Buddene for maksimal egenbetaling pr måned fordelte sig som følger: # Max egenbetaling Nuværende egenbetaling Samlet egenbetaling medicin Kommentar egenbetaling pr måned (kr) < > 120 Samlet egenbetaling uoplyst, men af en væsentlig størrelse, da han har hjerteproblemer Ved ikke - Diabetes type 1 Pumpe-bruger Betalingsvilje er hvis valget stod mellem pen og inhalator kr/måned for meget Ca 50 pct prisforskel ok måske også ok 1500 for meget Merpris på 500 kr for dagbogsfunktion ok > 400 Får blandt andet blodfortyndende medicin Kan være biased, da hun i dag får dækket samtlige udgifter til diabetes (og formentlig også andet medicin) af danmark Ovenstående betalingsviljer skal relateres til en gennemsnitlig månedlig egenbetaling på kr for subkutan insulin et beløb som vi nævnte for respondenterne, da vi bad dem angive, hvor meget de ville betale for inhaleret insulin Som nævnt i tabellen får # 6 dækket alle udgifter til medicin (i hvert tilfælde diabetes-medicin) af Sygesikringen Danmark, hvorfor der kan være en mulighed for, at hun er biased i forhold til dette Vi gjorde meget tydeligt opmærksom på, at hun skulle forestille sig, at hun selv skulle have pengene op af lommen Om ikke andet fik hun os gjort opmærksom på, at vi bliver nødt til at spørge til evt medlemskab af Danmark i selve undersøgelsen, for at kunne tage højde for dette Konklusioner: attributter og niveauer Størrelse På baggrund af interviews har vi fået en bedre om hvilke egenskaber ved apparater til administration af insulin, der er vigtige for diabetes-patienter Ovenfor blev de væsentligste egenskaber, som blev diskuteret med respondenterne ifm interviews gennemgået I det følgende vil vi forsøge at relatere disse egenskaber til design af undersøgelsen, herunder valg af attributter og attribut-niveauer Udgangspunktet for DCE-designet er stadig, at vi ønsker at respondenter skal vælge imellem pen og inhalator (enten beskrevet generisk eller brand-specific) Før interviews havde vi en dametaske-teori som gik på, at de kvindelige respondenter ville have et apparat, som let kan være i en dametaske også i en lille fest-taske Dette blev også bekræftet af de to første kvindelige respondenter, hvorimod den 3 kvindelige respondent (# 6) ikke havde nogen problemer med 187

189 størrelsen Hun havde altid sit blodsukker-måleapparat med, og det har ca samme størrelse som inhalator Vi tror stadig, at der er noget om teorien Hvorom alt er, så er størrelsen en meget vigtig attribut, som helt sikkert skal med i DCE-designet Vægt bør formentlig angives sammen med størrelse Den bedste formulering vi har kunnet komme frem til, indtil videre, er: 200 kubikcentimeter (lidt mindre end en pakke Kærgården), 200 gram Respondenterne nævnte størrelser varierende fra størrelsen på [Jesper s] mobiltelefon (ca 9,5 x 4,5 x 1,5 cm (L x B x D), ca 100 gram) og til dobbelt størrelse af det nuværende apparat Vi forestiller os således, at attribut kunne inddeles i 4 5 attribut-niveauer fra 100 kubikcentimeter/100 gram 750 kubikcentimeter/ 750 gram (fx 75, 125, 200, 400, 750) Insulin-pen vil kunne angives med samme attribut Vi kender ikke de nøjagtige dimensioner på et penne-sæt, men vi forestiller os, at størrelsen er < 100gram/100 kubikcentimeter Bivirkninger Den nuværende registrerede bivirkning havde ingen effekt på respondenterne Spørgsmålet er derfor, hvorvidt bivirkninger er interessant som attribut, når der sammenlignes med en insulin-pen (vi havde forestillet os en dikotom attribut: forbigående mild hoste (inhalator) vs ingen bivirkninger (pen)) Man kunne dog forestille sig en attribut med flere, hypotetiske niveauer, hvor man undersøgte hvor alvorlige bivirkninger skal være, førend respondenterne fravælger inhalator (kunne også bruges ved sammenligning, inhalator vs inhalator) Pt vil vi dog ikke lægge os fast på, hvorvidt denne attribut skal medtages i design Indbygget sikkerhed Respondenterne angav, at det (selvfølgelig) var vigtigt, at der var indbygget en sikkerheds-funktion i inhalator Mht dosering vil Novo s inhalator være lige så sikker som pennene Der findes en inhalator på markedet i øjeblikket, som ikke har en sådan sikkerhedsfunktion Man kunne forestille sig en dikotom attribut, som varierede mellem sikkerhedsfunktion/ingen sikkerhedsfunktion Problemet er blot, at der ikke vil være nogen variation i attribut-niveauet for pen (problem?) Dagbog Dagbogsfunktionens væsentlighed skilte vandende bland respondenterne Tre fandt den mere eller mindre ligegyldig og tre fandt, at det var en væsentlig egenskab Insulin-pennene har pt ikke indbygget dagbogsfunktion, men det vil komme i fremtiden Man kunne forestille sig en dikotom attribut, som varierede mellem dagbogsfunktion/ingen dagbogsfunktion Eller man kunne have 3 attributniveauer: Ingen dagbog Dagbog til aflæsning på apparat Dagbog med mulighed for tilslutning til pc Samme forbehold som ovenfor: pennene har i dag ikke indbygget dagbog Opbevaringstemperatur Respondenternes respons til denne attribut var blandede, og der var ingen, der fandt at det var en væsentlig eller meget væsentlig attribut Vi mener dog stadig, at vi skal have attributten med Vi forestiller os, at lave 2 3 temperatur-intervaller, fx opbevaring af insulin ved 0-10 grader 0-20 grader 0-28 grader Subkutan insulin skal så vidt vi ved opbevares kølig (0-10 grader) 188

190 Egenbetaling Før interviews forestillede os, at vi nok skulle op omkring 1500 kr i egenbetaling pr måned for at finde den maksimale betalingsvilje Højeste betalingsvilje blandt respondenterne var 1500 kr, men det blev afgivet af en person, der kan være biased, da hun pt får dækket udgifter til insulin af Sygeforsikringen Danmark Næsthøjeste bud var kr På baggrund af ovenstående vurderer vi, at attributniveauer skal findes i intervallet kr i egenbetaling pr måned for inhaleret insulin Respondenternes nuværende egenbetaling for tabletter/insulin blev af respondenterne angivet i intervallet < 100 kr til 400 kr Den gennemsnitlige egenbetaling ved et forbrug på 40 enheder pr dag er ca 140 kr Attribut-niveauerne kunne være: kr/md hvilket nok er for mange niveauer for en enkelt attribut(?) Efter interviews er vi blevet nogenlunde overbeviste om, at vi kan få respondenterne til at forstå definitionen på egenbetaling: out-of-pocket betalingen for insulin Vi mangler bare en god dansk vending til at supplere egenbetaling, fx ud-af-lommen-betaling (?) Andre attributter Udover ovenstående attributter, har interviews inspireret os til et par andre attributter, som også kunne være interessante Disse nævnes kort i det følgende: Antal enheder pr behandling Strimler til inhalator indeholder insulin svarende til 10 enheder En typisk pen indeholder omkring 200 enheder Hvis man skal have 30 enheder insulin i forbindelse med et måltid, skal man altså med inhalatoren gentage behandlingen 3 gange for at få den mængde insulin man skal have Man kunne derfor forestille sig en attribut, som angav (maksimale) antal enheder i apparat Display til indstilling og kontrol af dosis mv Vi forestillede os oprindeligt, at display på apparat blot skulle ses som en integreret del af attributterne indbygget sikkerhed (da der vil være et trafiklys, som angiver om man inhalerer korrekt) og dagbog (da man kan aflæse dagbogsoplysninger fra display) Efterfølgende overvejer vi nu, hvorvidt display bør angives som en selvstændig attribut Et par respondenter giver udtryk for, at de ønsker, at dosis skal være let at indstille, display skal være let at aflæse og tydelig lyd, når dosis er afgivet Måske kunne man lave en form for brugervenligheds-attribut Integreret blodsukker-måler En sådan funktion findes pt hverken i pen eller inhalator Sådan som vi forstår det, skal man da også et godt stykke ud i fremtiden, førend man vil se en sådan funktion; men det kunne måske alligevel være interessant at se, hvad diabetikere ville betale for sådan en funktion Oversigt over attributter Tidsplan [Indsæt tabel med oversigt over attributter og attributniveauer] Vi er pt lidt forsinkede set i forhold til den tidsplan, som blev opstillet i projektbeskrivelsen Heraf fremgik det, at pilotundersøgelse afvikles medio juni og at hovedundersøgelse afvikles primo august 189

191 Det er planen, at hovedundersøgelsen kan udsendes ultimo august, hvilket betyder, at pilotundersøgelsen skal afvikles i løbet af august måned Vi går arbejder derfor allerede nu på design af spørgeskema til pilotundersøgelsen Andet Vi skal i spørgeskemaet huske at spørge til, hvorvidt de er medlem af Sygesikringen Danmark (og hvorvidt de har dækning for udgifter til insulin) Vi skal naturligvis også huske at spørge til respondenternes nuværende egenbetaling for insulin og egenbetaling for medicin generelt /jkh & mja,

192 Bilag B: Undersøgelsens spørgeskema og kodning 191

193 Bilag B1 med instruktioner til resp, pre-pilot undersøgelse Hejsa, som I måske ved er Majbritt og jeg i gang med at skrive speciale I den forbindelse gennemfører vi en postbaseret spørgeskemaundersøgelse i samarbejde med Novo Nordisk, der skal afdække diabetikeres ønsker til udstyr Mere specifikt undersøger vi diabetikernes præferencer for brug af henholdsvis insulin-pen og insulin-inhalator Nu er første version af spøgeskemaet til vores undersøgelse klar Vi vil meget gerne have kommentarer til både layout og forståelse af spørgeskemaet Vi kan bruge dine kommentarer til at rette feks misforståelser eller uheldige formuleringer i spørgeskemaet Det er vigtigt, at vi får rettet disse ting På den måde bliver kvaliteten af besvarelserne i den endelige undersøgelse bedst mulig Hvis du har tid og lyst til at hjælpe os, så læs videre nedenfor Vi vil gerne have dine kommentarer inden d 18 september Mvh -- Majbritt og Jesper Hvad skal du gøre: Hvis du har tid og lyst til at hjælpe os, vil vi bede dig om at: o Læse vedhæftede spørgeskema igennem eller, alternativt hvis du vil bruge papir på det, printe skemaet og forsøge at udfylde det [hvis du udfylder skemaet, så forestil dig at du har diabetes type 2, og at du er nødt til at tage insulin for at kontrollere din diabetes] o Besvare nedenstående spørgsmål ved at besvare denne og skrive dit svar i en Du kan nøjes med at sende nedenstående del af en retur Du er meget velkommen til at skrive kommentarer udover nedenstående spørgsmål Kort om undersøgelsen: Som nævnt vi vi undersøge diabetikeres præferencer for udstyr til behandling af diabetes I undersøgelsen præsenteres diabetikerne for en insulin-pen, som bruges til at indtage insulin vha injektion og for en insulin-inhalator, hvor insulinen inhaleres, lidt ligesom med en astma-spray De bedes derefter vælge mellem de to produkter Spørgeskemaets første del indeholder en række baggrundsspørgsmål samt en række diabetes-relaterede spørgsmål Den sidste del af spørgeskemaet er designet som et såkaldt Diskret Valg Eksperiment (på engelsk: Discrete Choice Experiment, DCE) I DCE beder man respondenten om at vælge mellem to eller flere alternative situationer, i dette tilfælde mellem pen og inhalator Pen og inhalator er beskrevet ved en række egenskaber, 192

194 såsom feks størrelse og pris Ved at varierer på disse egenskaber, stilles en række valg-spørgsmål til hver respondent I vores undersøgelse, beder vi hver respondent om at svare på en serie af 12 valg-spørgsmål Spørgsmål: Generelt: 1 Hvad er din umiddelbare kommentar til skemaet (din første indskydelse)? 2 Hvis du prøvede at besvare skemaet, hvor lang tid brugte du på at besvare spørgeskemaet? 3 Hvad synes du om skemaets layout? Er det let at læse og finde rundt i skemaet? 4 Nævn de 3 spørgsmål i skemaet, som du havde sværest ved at besvare (se bort fra spm 32-43) ==> Du må meget gerne begrunde, hvorfor netop disse spørgsmål var svære at besvare Valg-spørgsmålene: 5 Var du i tvivl om, hvordan du skulle besvare spm 32-43, dvs var du i tvivl om, _hvor_ i skemaet du skulle sætte kryds? 6 Hvor svært syntes du det var at besvare spm 32-43? (På en skala fra 1 til 10, hvor 1 er meget let og 10 er meget svært) ==> Hvorfor syntes du evt, at det var svært? 7 Hvor sikker er du på de svar du har givet i spm 32-43? (På en skala fra 1 til 10, hvor 1 er meget usikker og 10 er meget sikker) ==> Hvad skyldes din u(sikkerhed), tror du? 8 Hvor mange af spørgsmålene besvarede du med "Ingen af delene"? Andre: ==> Hvorfor valgte du kategorien "Ingen af delene"? Hvad ville du svare til spørgsmål 46? 10 Hvad ville du svare til spørgsmål 47? 11 Hvad ville du svare til spørgsmål 48? (rygning og inhalator) 12 Har du yderligere kommentarer? Mange tak for hjælpen! 193

195 Bilag B2 Følgebrev til respondenterne, endelig undersøgelse Nedenstående følgebrev er fra pilotundersøgelsen, men følgebrev fra den endelige undersøgelse er nøjagtig som nedenstående blot med anden udsendelsesdato og andre tidsfrister 194

196 November 2006 Bilag B3 Spørgeskema version 1, endelig undersøgelse At leve med diabetes Undersøgelse af diabetikeres ønsker til insulinpræparater og -udstyr V1_M13_

197 Sådan udfylder du spørgeskemaet Vi håber, at du vil tage dig tid til at besvare vores spørgeskema Besvar venligst spørgsmålene enten ved at sætte kryds i boksene ud for det ønskede svar eller ved at skrive din besvarelse på den linie, som står ud for spørgsmålet Sæt venligst kun ét kryds for hvert spørgsmål, med mindre andet er angivet i teksten Besvarelse af spørgeskemaet tager ca minutter V1_M13_

198 Indledningsvis beder vi dig om at besvare følgende grundlæggende spørgsmål om dig selv og din nuværende situation 1 Køn: Mand Kvinde 2 Fødselsår: 19 3 Civilstand (sæt kryds) Gift og/eller bor sammen med partner Ikke gift og/eller samboende 4 Din senest afsluttede fuldtids-uddannelse Grundskole Gymnasial uddannelse eller Erhvervsfaglig uddannelse Kort videregående uddannelse Mellemlang videregående udd Lang videregående uddannelse 5 Hvor mange års uddannelse har du alt i alt gennemført? (fra og med 0 eller 1 klasse) år 6 Din tilknytning til arbejdsmarkedet (sæt kun ét kryds) Er du i øjeblikket: I beskæftigelse Ledig Studerende (fuld tid) Pensionist (folkepensionist eller førtidspensionist) Udenfor arbejdsmarkedet i øvrigt Hvis du er i beskæftigelse, besvar venligst spørgsmål 7 og 8 7 Hvor mange timer arbejder du gennemsnitligt pr uge? (den faktiske arbejdstid) timer pr uge 8 Arbejdets karakter Er dit nuværende arbejde fysisk hårdt? Ja Nej 9 Hvor mange år har du samlet set været på arbejdsmarkedet? år 10 Husstandens årlige bruttoindkomst (før skat, inklusiv pensioner mv) kr kr kr kr kr kr kr kr 11 Fritidsinteresser Hvilke aktiviteter eller hobbyer holder du mest af at bruge din fritid på? (nævn maksimalt 3) Ellers, gå til spørgsmål 9 V1_M13_

199 12 Motion i fritiden Hvor mange timer om ugen bruger du i gennemsnit på at dyrke motion og på andre former for fysisk udfoldelse? (feks gå tur med hunden, arbejde i haven, løbe, spille fodbold mv) Cirka timer pr uge Herefter vil vi bede dig om at besvare en række spørgsmål vedrørende diabetes 13 Diabetes type Er du diagnosticeret med type 1 eller type 2 diabetes? Diabetes, type 1 Diabetes, type 2 (aldersdiabetes) 14 Hvor mange år er det siden du fik diagnosen? år 15 Hvilken type behandling modtager du i øjeblikket for din diabetes? Jeg kan kontrollere min diabetes med kost og motion Jeg kan kontrollere min diabetes med tabletter (piller) Jeg bruger insulin 16 Hvor mange daglige blodsukkermålinger har du foretaget i gennemsnit over de sidste 7 dage? Cirka blodsukkermålinger pr dag (i gennemsnit) Hvis du bruger insulin, besvar venligst spørgsmål 17 og 18 Ellers, gå til spørgsmål Hvilken type apparat bruger du til at indtage insulin? Engangs-pen (pen bruges én gang og bortskaffes) Flergangs-pen (mulighed for udskiftning af insulin-beholder) Insulin-pumpe Andet: 18 Hvor meget insulin indtager du gennemsnitligt pr dag? Angiv dosering: morgen enheder frokost aften før sengetid enheder enheder enheder V1_M13_

200 19 Har du pådraget dig nogen følgesygdomme (som følge af diabetes)? For eksempel (sæt gerne flere krydser): Forhøjet blodtryk Forhøjet kolesteroltal Hjerte-/karsygdomme åreforkalkning i hjerte, hjerne og ben Fodsår Retinopati diabetisk øjensygdom Nefropati diabetisk nyresygdom Neuropati diabetisk nervesygdom Andet: Nej, jeg har ikke pådraget mig nogen følgesygdomme 20 Har du andre gener i det daglige som følge af diabetes? Hvis du har andre gener, nævn da eksempler nedenfor: 21 Har du nogen forbehold ved at skulle stikke dig selv? (i forbindelse med injektion af insulin) Ja Nej Hvis Ja, hvilken af følgende forklaringer beskriver bedst årsagen til dit forbehold? (sæt venligst kun ét kryds) Jeg er bange for nåle eller for at skulle stikke mig selv Jeg er bekymret for blå mærker eller eventuelle ar Jeg er ikke bange for nåle, men jeg bryder mig ikke om at skulle stikke mig selv i fuld offentlighed, feks når jeg er til fest Andet: 22 Hvor mange penge bruger du på diabetes-relateret medicin pr måned? (Det beløb, som du i gennemsnit betaler ud af egen lomme) Cirka kr pr måned (ud af egen lomme) 23 Hvor meget bruger husstanden i gennemsnit på medicin pr måned? (Penge ud af egen lomme til alle typer receptpligtig medicin) Cirka kr pr måned (ud af egen lomme) V1_M13_

201 24 Er du medlem af Sygesikringen danmark, eller har du en anden form for privat sygeforsikring, som dækker udgifter til medicin? Ja Nej Hvis Ja, hvor stor en del af dine udgifter til diabetes-relateret medicin eller udstyr får du dækket? I gennemsnit får jeg dækket diabetes-udgifter for kr pr måned 25 Hvordan vil du beskrive dit kendskab til diabetes, før du selv fik diagnosen? Intet kendskab Lidt kendskab Godt kendskab Meget godt kendskab Ved ikke 26 Kendte du til diabetes fra din omgangskreds, før du selv fik diagnosen? Ja, fra en eller flere personer i min nærmeste familie Ja, fra en eller flere personer i min øvrige familie eller vennekreds Ja, fra en eller flere bekendte, kolleger på arbejdet eller lignende Nej, jeg kendte ingen personer med diabetes 27 Har du nogensinde hørt om inhaleret insulin? (mulighed for at indtage insulin vha inhalator i stedet for insulin-pen) Ja, jeg har hørt om inhaleret insulin Nej, jeg har ikke hørt om inhaleret insulin Hvis Ja, hvor eller fra hvem har du hørt om inhaleret insulin? Insulin-pen eller insulin-inhalator? På næste side følger en kort beskrivelse af insulin-pen og insulin-inhalator: to måder at indtage insulin på Bagefter følger en række spørgsmål, hvor vi beder dig om at vælge mellem pen og inhalator Brug venligst et øjeblik på at læse beskrivelserne, før du begynder at besvare de følgende spørgsmål V1_M13_

202 Beskrivelse af pen og inhalator Pen Der findes en del forskellige insulinpenne på markedet, men hvad angår funktioner og udseende minder de meget om hinanden Du indtager insulinen ved at stikke dig selv Den typiske insulinpen er kendetegnet ved, at: Pennen er på størrelse med en tusch-pen, dvs den er ca 15 cm lang og vejer mellem 20 og 50 gram Nålen har en længde på ca 8 mm, og du skal udskifte nålen efter hver injektion Pennen kan bruges til både den hurtigtvirkende (mad) insulin, den langsomtvirkende insulin samt til blandingsinsulin Pennen er fyldt med insulin til ca en uges forbrug Pennen har et tydeligt display, hvor du kan indstille antallet af insulinenheder Det er ikke muligt at indstille en større dosis end den mængde insulin, der er tilbage i pennen Inhalator Inhaleret insulin kan erstatte den hurtigtvirkende insulin, der indtages ved brug af pen Den inhalerede insulin indtages ved indånding fra en inhalator Inhalation kræver koncentration og ikke mindst en god, dyb indånding Af samme grund anbefales inhaleret insulin ikke til rygere og personer med rygerlunger En inhalator kan beskrives med udgangspunkt i følgende egenskaber: Udseendet er nogenlunde som den prototype, der er vist på billedet til højre Inhalatoren er på størrelse med en pakke Kærgården (størrelse varieres dog i de spørgsmål, som følger nedenfor) En indbygget sikkerhedsfunktion betyder, at insulinen kun frigives, hvis du inhalerer korrekt Insulin kommer i en pakke med strimler, som skal indsættes i inhalatoren Der er 10 enheder insulin i hver strimmel, og du kan kun indsætte én strimmel i inhalatoren ad gangen Inhalatoren har et display, hvor du kan indstille antallet af insulinenheder i spring af én enhed Efterfølgende guider displayet dig igennem indtagelsen Inhalatoren kan have en indbygget dagbogs-funktion, der registrerer, hvor meget insulin du indtager og hvornår Hvis der er en dagbogsfunktion indbygget, kan oplysningerne overføres til pc og præsenteres i et medfølgende computerprogram Oplysningerne kan feks bruges til egen kontrol eller aflæses af din læge V1_M13_

203 Instruktion i besvarelse af de resterende spørgsmål I det følgende vil vi bede dig besvare en række spørgsmål, hvor du skal vælge mellem at bruge inhalator eller pen (eller ingen af de to) Der er tale om tænkte situationer Tidligere erfaringer viser, at folk ikke altid svarer reelt på sådanne tænkte spørgsmål Det vil sige, at deres svar ikke altid afspejler, hvad de egentlig ville gøre i den virkelige situation Det har især vist sig, at folk har tendens til at overdrive, hvor meget de er villige til at betale Vi vil derfor bede dig overveje spørgsmålene nøje og tænke grundigt over, hvad du ville gøre, hvis du faktisk stod i den situation, at du skulle vælge mellem at benytte inhalator eller pen Det er vigtigt, at du prøver at besvare alle spørgsmål Fem egenskaber bruges til at beskrive pen og inhalator i hvert spørgsmål: Størrelsen på apparatet Størrelsen på pen eller inhalator Størrelsen måles som vægten på apparatet, målt i gram Vægt og rumfang følges nogenlunde ad, så feks 250 gram svarer til 250 kubikcentimeter I de følgende spørgsmål varieres størrelse imellem 30 og 600 gram Dagbogsfunktion Angiver om der er indbygget dagbogsfunktion i pen eller inhalator Dagbogsfunktionen holder styr på, hvor meget insulin du indtager Dagbogen kan overføres til computer, så du kan holde styr på dit insulin-indtag I de følgende spørgsmål er det ikke alle penne og inhalatorer, der har dagbogsfunktion indbygget Integreret blodsukkermåler (pen) Angiver om der er indbygget blodsukkermåler i pen En blodsukkermåler vil kunne måle dit blodsukker, inden du indtager insulinen med pennen I de følgende spørgsmål skiftes der mellem situationer, hvor blodsukkermåler er indbygget, og situationer, hvor den ikke er indbygget i pennen Hoste (inhalator) Indtagelse af insulin ved brug af inhalator kan resultere i en mild, kortvarig hoste for ca 1 ud af 20 personer (5%) I nogle af de følgende spørgsmål vil vi angive, at mild hoste kan forekomme, mens hoste i andre spørgsmål ikke forekommer Egenbetaling pr måned For hvert alternativ (pen eller inhalator) angives en pris pr måned Prisen svarer til det beløb, som du selv skal betale for din behandling Den pris, som angives, er altså prisen efter eventuelle tilskud V1_M13_

204 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 28 Du kan vælge mellem at indtage insulin med pen eller inhalator Hvis du frit kunne vælge imellem pen og inhalator, hvilken af disse ville du da benytte (uden at tage hensyn til pris mv) Hvad vælger du? Jeg vælger at benytte pen Jeg vælger at benytte inhalator 29 Du kan vælge mellem at indtage insulin med pen eller inhalator Brug af pen koster 150 kr pr måned (ud af egen lomme) Brug af inhalator koster 300 kr pr måned (ud af egen lomme) Hvad vælger du? Jeg vælger at benytte pen Jeg vælger at benytte inhalator 30 Du kan vælge mellem at indtage insulin med pen eller inhalator Brug af pen koster 150 kr pr måned (ud af egen lomme) Brug af inhalator koster 550 kr pr måned (ud af egen lomme) Hvad vælger du? Jeg vælger at benytte pen Jeg vælger at benytte inhalator 31 Prioritering af egenskaber ved insulin-udstyr Hvis du skulle vælge imellem pen og inhalator, hvilke af de beskrevne egenskaber ville da være de vigtigste? Skriv: 1 ud for den vigtigste egenskab, 2 ud for den næst-vigtigste egenskab, 3 ud for den tredje-vigtigste egenskab, 4 ud for den næstmindst vigtige egenskab og 5 ud for den mindst vigtige egenskab Du må kun bruge værdierne én gang, dvs feks kun skrive 1 én gang: Mindre størrelse på apparatet Indbygget dagbogsfunktion Integreret blodsukkermåler Ingen hoste Mindre egenbetaling pr måned V1_M13_

205 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 32 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 30 gram 200 gram Ja Ja Ja Nej Nej Ja 1500 kr 150 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 33 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 30 gram 200 gram Ja Ja Nej Nej Nej Ja 250 kr 1500 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

206 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 34 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 30 gram 100 gram Ja Ja Nej Nej Nej Nej 800 kr 100 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 35 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 30 gram 600 gram Nej Nej Ja Nej Nej Nej 800 kr 800 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

207 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 36 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 50 gram 600 gram Ja Ja Ja Nej Nej Nej 1500 kr 250 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 37 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 50 gram 100 gram Ja Ja Nej Nej Nej Nej 150 kr 800 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

208 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 38 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 50 gram 200 gram Ja Nej Nej Nej Nej Ja 400 kr 400 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 39 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 50 gram 100 gram Nej Ja Ja Nej Nej Ja 400 kr 150 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

209 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 40 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 80 gram 600 gram Ja Nej Nej Nej Nej Ja 150 kr 100 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 41 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 80 gram 600 gram Nej Ja Ja Nej Nej Nej 100 kr 1500 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

210 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 42 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 80 gram 100 gram Nej Nej Ja Nej Nej Nej 250 kr 400 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to 43 Givet nedenstående beskrivelse, ville du da vælge pen eller inhalator? (sæt kryds i et af nedenstående afkrydsningsfelter) Pen Inhalator Størrelse, gram (og kubik-cm) Dagbogsfunktion indbygget Integreret blodsukkermåler Kan medføre mild, kortvarig hoste ifm indtagelse Egenbetaling, kr pr måned 80 gram 200 gram Nej Nej Nej Nej Nej Ja 100 kr 250 kr Jeg vælger pen Jeg vælger inhalator Ingen af de to V1_M13_

211 44 Hvor svært syntes du det var at besvare valg-spørgsmålene Sæt en cirkel omkring det tal, som bedst beskriver din oplevelse af sværhedsgraden, hvor 1 er meget let og 10 er meget svært Det var meget let at besvare spørgsmålene Det var meget svært at besvare spørgsmålene 45 Hvor sikker er du på de svar, du har givet i valg-spørgsmålene? Sæt en cirkel omkring det tal, som bedst beskriver din grad af usikkerhed, hvor 1 betyder, at du er meget usikker og 10 betyder, at du er meget sikker Jer er meget usikker i mine valg Jeg er meget sikker i mine valg Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 46 Hvor meget er du villig til at betale for en inhalator med følgende egenskaber? - Inhalator vejer 100 gram (og fylder ca 100 kubikcentimeter) - Dagbogsfunktion er ikke indbygget i inhalator - Mild, kortvarig hoste ifm indtagelse kan forekomme Jeg er villig til at betale (pr måned) 0 kr 100 kr 150 kr 250 kr 400 kr 800 kr 1500 kr Mere end 1500 kr (skriv beløb): Hvis du svarede 0 kr, hvad skyldes det da? Jeg er godt tilfreds med den pen (eller pumpe) jeg bruger Jeg er ikke tryg ved at skulle bruge inhalator Andet: V1_M13_

212 Forestil dig, at det er nødvendigt at tage insulin for at kontrollere din diabetes 47 Hvor meget er du villig til at betale for en inhalator med følgende egenskaber? - Inhalator vejer 100 gram (og fylder ca 100 kubikcentimeter) - Dagbogsfunktion er indbygget i inhalator - Mild, kortvarig hoste ifm indtagelse kan forekomme Jeg er villig til at betale (pr måned) 0 kr 100 kr 150 kr 250 kr 400 kr 800 kr 1500 kr Mere end 1500 kr (skriv beløb): Hvis du svarede 0 kr, hvad skyldes det da? Jeg er godt tilfreds med den pen (eller pumpe) jeg bruger Jeg er ikke tryg ved at skulle bruge inhalator Andet: 48 Ryger du (cigaretter, pibe mv)? Ja Nej Hvis Ja, forestil dig, at du bliver nødt til at tage insulin for at kontrollere din diabetes Ville du være villig til at kvitte tobakken, for at kunne bruge insulin-inhalatoren? Ja, jeg ville kvitte tobakken Nej, jeg ville ikke kvitte tobakken for at kunne benytte inhalator Ved ikke V1_M13_

213 49 Kommentarer til undersøgelsen eller vedrørende diabetes generelt? Mange tak for din besvarelse Vi gør opmærksom på, at Novo Nordisk s insulin-inhalator stadig er under udvikling V1_M13_

214 Bilag B4 Kodebog og tastevejledning Kodebog for variable til undersøgelse af diabetikeres ønsker til insulinpræparater og udstyr (20 nov 2006) [Sendt til GfK den 20 november 2006 sammen med spørgeskemaer] Nedenfor er gengivet kodning for hver enkelt variabel, som indgår i undersøgelsen Derudover følger her et par generelle retningslinier vedrørende kodningen Vær ekstra påpasselig med kodningen af skema version (0B i kodebogen nedenfor) Skema må bare ikke blive kodet forkert, da de indsamlede data efterfølgende skal kombineres med en anden datakilde, som er afhængig af skema versionen (se nærmere vedr kodning nedenfor) Fejlkodning: Kodning af fejl (med værdierne 9,99,999,9999) bruges primært til at angive at et spørgsmål er ubesvaret, men kan også bruges til at angive, at respondenten har svaret forkert (feks har skrevet?, når vi i et åbent spørgsmål spørger til feks en udgift i kr) Irrelevant: Kodning af irrelevant (med værdierne 8,88,888,8888) bruges til at indikere, hvilke spørgsmål fra en given respondent, der er irrelevante, primært pga contingencies i spørgeskemaet Hvis feks respondenten ikke bruger insulin (insulin = 0), kodes det efterfølgende spørgsmål om insulin-udstyr irrelevant, dvs udstyr = 8 For nominalt og ordinalt skalerede variable kodes den værdi, som fremgår af kategorierne i nedenstående kodebog Som udgangspunkt kodes Fejl, når et spørgsmål er ubesvaret Der er dog undtagelser, feks kodes syg1-syg8 (spørgsmål 19A-19H) kun fejl (9), hvis der overhovedet ikke er sat nogen krydser i spørgsmålet Og idosex (18A-18D) kodes kun fejl (999) hvis alle fire delspørgsmål er ubesvarede (og spørgsmålet i øvrigt ikke er irrelevant, 888) Hvis blot et af de fire spørgsmål er udfyldt, kodes de ubesvarede = 0 Undtagelser fremgår af nedenstående (kolonnen bemærkninger) Ratio-skalerede spørgsmål kodes med den værdi, som respondenten angiver i spørgsmålet Der kodes kun 0, hvis respondenten rent faktisk svarer 0 (kr, timer eller lign) Hvis respondenten angiver et interval, feks kr, kodes med en gennemsnitlig værdi af intervallet (1250) Spørgsmålstegn (?) eller kommentarer som det ved jeg ikke kodes som fejl/ubesvaret, dvs 9,99,999,

215 Kodebog # Teoretisk definition (TD) Operationel definition (OD) Baggrundsvariable: Til internt brug: 0A Respondent-nummer Respondent-nummer, løbenummer B Spørgeskema version Spørgeskema-version Spørgeskema forefindes i 3 versioner 0C Postnummer Det postnummer, som respondenten har folkeregisteradresse i Variabelnavn Skalaniveau Kodning Datatype resp Nominal 1,2,,400 Byte /Integer skema Nominal 1 = Spørgeskema version 1 Byte 2 = Spørgeskema version 2 /Integer 3 = Spørgeskema version 3 Bemærkninger i øvrigt - Version er fortrykt på skemaerne, nederst på hver side i skemaet Feks V1_M12_ , hvor V1 betyder skema = 1, V2 = skema = 2 osv post Nominal 9999 = Fejl Integer Kendes i forvejen Behøver vel ikke spørge til det? Socio-demografiske variable: 1 Køn Kvinde, ja/nej kvinde Nominal 0 = Mand 1 = Kvinde 9 = Fejl 2 Fødselsår Respondentens fødselsår på formen 19xx faar Ratio 9999 = Fejl Integer Fejlsøgning: 1901 < faar < 1992 Rekodes senere til alder målt i hele år 3 Civilstand Gift/samboende, ja/nej gift Nominal 0 = Ikke gift og/eller samboende 1 = Gift/samboende 9 = Fejl Byte /Integer - 4 Uddannelsesniveau Uddannelsesniveau, målt som senest afsluttede fuldtidsuddannelse Kategorisering i grupper: grundskole, gymnasial uddannelse, erhvervsfaglig uddannelse, kort-, mellemlang- og lang videregående uddannelse 5 Uddannelseslængde Uddannelsesniveau, målt som antal hele år under uddannelse (fra og med børnehaveklasse/1 klasse) 6 Arbejdsmarkedstilknytning Tilknytning til arbejdsmarkedet Kategorisering i grupperne i beskæftigelse, ledig, fuldtidsstuderende, pensionist, udenfor arbejdsmarkedet i øvrigt udd Nominal /Ordinal 1 = Grundskole 2 = Gymnasial udd eller Erhvervsfaglig udd 3 = Kort videregående udd 4 = Mellemlang v udd 5 = Lang videregående udd 9 = Fejl Byte /Integer - Integer - uddaar Ratio 99 = Fejl Real Fejlsøgning: 6 < uddaar < 25 Afrunding til halve år ok Hvis respondenten feks har skrevet 12-13, registreres 12,5 arbejde Nominal 1 = I beskæftigelse 2 = Ledig 3 = Studerende (fuldtids) 4 = Pensionist 5 = Udenfor arbmarkedet i Integer CONTINGENCY Variable, der er afhængige af svaret arbejde: arbtid, fysisk 214

216 # Teoretisk definition (TD) Operationel definition (OD) CONTINGENCY 7 Ugentlig arbejdstid Hvis arbejde = 1; Gennemsnitlig ugentlig arbejdstid (reelt) 8 Arbejdstype Hvis arbejde = 1; Arbejdets karakter: Hårdt fysisk arbejde, ja/nej 9 Erhvervserfaring Erhvervserfaring, målt som antal hele års beskæftigelse, dog ikke erfaring fra fritidsjob 10 Indkomst Husstandsindkomst, målt som bruttoindkomst på årsbasis (dvs inkl pension mv) Kategorisering i indkomstintervaller 11A 11B 11C Fritidsinteresser Åbent spørgsmål Nævn maksimalt 3 aktiviteter eller hobbyer, som De nyder at bruge Deres fritid på? 12 Motion Motion, målt i gennemsnitligt antal timer pr uge (gå tur med hunden, løbe, spille fodbold osv) Variabelnavn Skalaniveau Kodning øvrigt 9 = Fejl arbtid Ratio 888 = Irrelevant 999 = Fejl fysisk Nominal 0 = Nej 1 = Ja 8 = Irrelevant 9 = Fejl Datatype Real Byte /Integer Bemærkninger i øvrigt Fejlsøgning: arbtid > 0 arbejde arbtid < 100 Afrunding til halve timer ok - erfa Ratio 99 = Fejl Real Fejlsøgning: erfa < 65 & erfa < alder Afrunding til halve år ok Hvis respondenten feks har skrevet 12-13, registreres 12,5 Hvis ubesvaret, kodes 99 indkomst Ordinal 1 = = = = = = = = = Fejl fritid_str1 fritid_str2 fritid_str3 Integer - Nominal - String Åbent spørgsmål om respondenternes fritidsinteresser motion Ratio 99 = Fejl Real Fejlsøgning: motion < 50 Afrunding til halve timer ok Hvis ubesvaret, kodes 99 Diabetesrelaterede variable: 13 Diabetestype Type 1, ja/nej Kategorisering i type 1 eller type 2 diabetes type1 Nominal 0 = Type 2 1 = Type 1 9 = Fejl Byte /Integer Ubesvaret kodes 9 14 Diagnosetidspunkt Antal hele år siden diagnosticering af diabetes diagnose Ratio 99 = Fejl Real Fejlsøgning: diagnose < alder Hvis respondenten tydeligvis har misforstået spørgsmålet og har skrevet årstal (feks 19xx), beregnes diagnose som xx 15A Behandling Dummy-variable: Kost og motion (D&E), DE Nominal Kost og motion: DE = 1; 0 Byte hvis DE = 1 OAD = 0 & insulin = 0 215

217 # Teoretisk definition (TD) Operationel definition (OD) 15B 15C tabletter (OAD), insulin, kombination af tabletter og insulin CONTINGENCY 16 Antal blodsukkermålinger Hvor mange daglige blodsukkermålinger har du foretaget i gennemsnit over de sidste 7 dage? 17A Insulinsudstyr Hvis insulin = 1; Insulinapparat: Kategorisering i grupperne: Pen eller pumpe 17B Insulinudstyr Andet Hvis insulin = 1 og udstyr = 4; Insulinudstyr Andet (åbent spørgsmål) 18A 18B 18C 18D 19A 19B 19C 19D 19E 19F 19G 19H Dosering: Antal enheder Hvis insulin = 1; Antal enheder insulin, som respondenten i gennemsnit indtager pr dag: opdelt i morgen, frokost, aften, nat Følgesygdomme Dummy-variable: (1) Forhøjet blodtryk, (2) Forhøjet kolesteroltal, (3) Hjerte-/karsygdomme åreforkalkning i hjerte, hjerne og ben, (4) Fodsår, (5) Retinopati diabetisk øjensygdom, (6) nefropati diabetisk nyresygdom, (7) neuropati diabetisk nervesygdom, (8) Andet 19I Følgesygdomme Andet hvis syg8 (19H) = 1; Følgesygdomme - Andet Åbent spørgsmål 20 Gener Andre gener i forbindelse med diabetes Åbent spørgsmål om gener udover de diabetiske følgesygdomme 21A Forbehold mod injektion Har du nogen forbehold ved at skulle stikke dig selv med insulin-pen? Variabelnavn OAD insulin Skalaniveau Kodning ellers Tabletter: OAD = 1; 0 ellers Insulin: insulin = 1; 0 ellers; 9 = Fejl Datatype /Integer Bemærkninger i øvrigt OAD = 1 & insulin = 1 samtidig er ok, dvs at OAD og insulin ikke er gensidigt udelukkende CONTINGENCY: Variable, der er afhængige af insulin = 1: udstyr, udstyr_str og idosex (17 og 18) glucose Ratio 99 = Fejl Integer Fejlsøgning: glucose < 20 udstyr Nominal 1 = Engangs-pen 2 = Flergangs-pen 3 = Pumpe 4 = Andet 8 = Irrelevant 9 = Fejl Byte /Integer Irrelevant, hvis insulin = 0, dvs hvis respondenten ikke bruger insulin Hvis insulin er ubesvaret, kodes udstyr = 9 også udstyr_str Nominal - String Åbent spørgsmål String, 128 karakterer idosem idosef idosea idosen syg1 syg2 syg3 syg4 syg5 syg6 syg7 syg8 Ratio Nominal 888 = Irrelevant 999 = Fejl 0 = har ikke sygdommen (sygx) 1= har sygdommen (sygx) 9 = Fejl (se bemærkning) Ratio Fejlsøgning: 0 < dosex < 100 Irrelevant (888) hvis insulin = 0 Fejl (999) kodes kun, hvis alle fire variable er ubesvarede Ellers kodes der nul i de idosex variable, hvor der ikke står en værdi Byte /Integer Hvis der ikke er sat kryds i nogen af sygdommene, skal der være kryds i Nej, jeg har ikke pådraget mig nogen følgesygdomme Ellers kodes alle variable Fejl/Ubesvaret = 9 syg_str Nominal - String Åbent spørgsmål String, 128 karakterer gener_str Nominal - String Åbent spørgsmål String, 128 karakterer injekt Nominal 0 = Nej 1 = Ja Byte CONTINGENCY: følgende variable er afhængige af injekt = 1: 216

218 Variabel- Skala- Datatype # Teoretisk definition (TD) Operationel definition (OD) Kodning Bemærkninger i øvrigt navn niveau CONTINGENCY 9 = Fejl /Integer aarsag, aarsag_str (spm 21) 21B Forbehold Årsag Hvis injekt = 1: Årsag til forbehold ved at skulle stikke sig selv: Kategorisering i grupperne: Angst for nåle/at skulle stikke sig selv, blå mærker, stigmatisering, andet 21C Forbehold Årsag, Andet hvis aarsag = 4; Årsag, Andet Åbent spørgsmål 22 Medicinudgifter, diabetes Gennemsnitlig månedlig egenbetaling for diabetesrelateret medicin for respondenten selv, målt i hele kroner (DKK) 23 Medicinudgifter, total Gennemsnitlig, månedlig egenbetaling for receptpligtig medicin i alt, for husstanden 24A Sygeforsikring Medlemskab af Sygesikringen Danmark eller lignende privat sygeforsikring, som dækker medicin-udgifter CONTINGENCY 24B Sygeforsikring, tilskud hvis danmark = 1; Gennemsnitlig månedligt tilskud fra Danmark eller lignende privat sygeforsikring, som dækker udgifter til medicin, målt i hele kroner (DKK) 25 Forhåndskendskab til diabetes Rating 26A 26B 26C Forhåndskendskab til diabetes Fra omgangskreds Hvordan vil du beskrive dit kendskab til diabetes, før du selv fik diagnosen? Kendte du til diabetes fra personer i din omgangskreds, før du selv fik diagnosen? aarsag Nominal 1 = Angst for nåle/for at skulle stikke sig selv 2 = Bekymret for blå mærker 3 = Social stigmatisering 4 = Andet 8 = Irrelevant 9 = Fejl Integer - aarsag_str Nominal - String Åbent spørgsmål String, 128 karakterer udgift Ratio 9999 = Fejl Real Fejlsøgning: udgift < udgifttot < Hvis der står 0 kr kodes 0 Hvis der står? kodes 9999 Hvis interval er angivet, kodes med gennemsnittet NB: udgift for respondenten udgifttot Ratio 9999 = Fejl Real Fejlsøgning: udgifttot < Vedr kodning, se udgift (ovenfor) NB: udgift for husstanden danmark Nominal 0 = Nej 1 = Ja 9 = Fejl tilskud Ratio 8888 = Irrelevant 9999 = Fejl kendskab Ordinal 1 = Intet kendskab 2 = Lidt kendskab 3 = Godt kendskab 4 = Meget godt kendskab 5 = Ved ikke 9 = Fejl kendfam kendven kendand Nominal 1 = Ja, fra nærmeste familie 1 = Ja, fra øvrige familie/venner 1 = Ja, fra bekendte osv 0, ellers Byte /Integer CONTINGENCY: variable, der er afhængige af danmark = 1: tilskud (spm 24B) Real Fejlsøgning: tilskud < 7500 Vedr kodning, se udgift (ovenfor) Integer - Byte /Integer hvis kendfam, kendven og kendand alle er ubesvarede, kodes de alle = 9 kendfam, kendven og kendand er ikke nødvendigvis gensidigt udelukkende 217

219 # Teoretisk definition (TD) Operationel definition (OD) 27A 27B Forhåndskendskab til inhaleret insulin Forhåndskendskab til inhaleret insulin hvorfra? Har du nogensinde hørt om inhaleret insulin, dvs muligheden for at indtage insulin vha inhalator i stedet for insulinpen? CONTINGENCY Hvis ja, hvor eller fra hvem har du hørt om inhaleret insulin? Åbent spørgsmål Variabelnavn Skalaniveau Kodning inhal Nominal 0 = Nej 1 = Ja 9 = Fejl 9 = fejl (hvis der overhovedet ikke er sat nogen krydser i spm) Datatype Byte /Integer Bemærkninger i øvrigt kategorier De kan godt være til stede samtidig CONTINGENCY: variable, der er afhængige af inhal = 1: inhal_str (27B) inhal_str Nominal - String Åbent spørgsmål String, 244 karakterer Rating-spørgsmål: 28 Choice Pen vs Inhalator I Pen vs Inhalator Hvilken ville du vælge (uden hensyntagen til pris mv) 29 Choice Pen vs Inhalator II Pen vs Inhalator Merpris inhalator: 150 kr 30 Choice Pen vs Inhalator III Pen vs Inhalator Merpris inhalator: 400 kr 31 Rangordning af attributter Rangordning af attributter i valgsituationen att1 = mindre størrelse; att2 = indbygget dagbogsfunktion; att3 = Integreret blodsukkermåler; 4 = Ingen hoste; 5 = mindre egenbetaling valg1 Nominal 0 = Jeg vælger at benytte pen 1 = Jeg vælger at benytte inhalator 9 = Fejl valg2 Nominal 0 = Jeg vælger at benytte pen 1 = Jeg vælger at benytte inhalator 9 = Fejl valg3 Nominal 0 = Jeg vælger at benytte pen 1 = Jeg vælger at benytte inhalator 9 = Fejl rateatt1 rateatt2 rateatt3 rateatt4 rateatt5 For hver variabel: 1 = den vigtigste egenskab 2 = den næstvigtigste egenskab 3 = den tredie vigtigste egensk 4 = næstmindst vigtige egensk 5 = den mindst vigtige egensk 9 = Fejl Byte /Integer Byte /Integer Byte /Integer Integer Der er én variabel for hver attribut Respondenten bør ikke gentage kodningsværdierne 1,2,3,4,5 dvs han bør kun bruge disse én gang hver Værdierne indtastes dog som de er, selvom respondenten skule have misforstået situationen Discrete Choice spørgsmål: 32 Valg i DC spørgsmål 1 Respondentens valg, valgsæt 1 C01 Nominal 1= Jeg vælger pen Integer 33 Valg i DC spørgsmål 2 Respondentens valg, valgsæt 2 C02 Nominal 2= Jeg vælger inhalator Integer 3 = Ingen af delene (Opt-out) 34 Valg i DC spørgsmål 3 Respondentens valg, valgsæt 3 C03 Nominal 9 = Fejl Integer 35 Valg i DC spørgsmål 4 Respondentens valg, valgsæt 4 C04 Nominal Integer 36 Valg i DC spørgsmål 5 Respondentens valg, valgsæt 5 C05 Nominal Integer 37 Valg i DC spørgsmål 6 Respondentens valg, valgsæt 6 C06 Nominal Integer - 218

220 # Teoretisk definition (TD) Operationel definition (OD) Variabel- Skala- Datatype Kodning navn niveau 38 Valg i DC spørgsmål 7 Respondentens valg, valgsæt 7 C07 Nominal Integer 39 Valg i DC spørgsmål 8 Respondentens valg, valgsæt 8 C08 Nominal Integer 40 Valg i DC spørgsmål 9 Respondentens valg, valgsæt 9 C09 Nominal Integer 41 Valg i DC spørgsmål 10 Respondentens valg, valgsæt 10 C10 Nominal Integer 42 Valg i DC spørgsmål 11 Respondentens valg, valgsæt 11 C11 Nominal Integer 43 Valg i DC spørgsmål 12 Respondentens valg, valgsæt 12 C12 Nominal Integer Bemærkninger i øvrigt Opfølgende spørgsmål: 44 DCE opfølgning: sværhedsgrad 45 DCE opfølgning: grad af sikkerhed Hvor svært var det at besvare valgspørgsmålene? Hvor sikker er du på de svar, som du har afgivet i valg-spørgsmålene? 46A Payment Card 1 Hvor meget er du villig til at betale for inhalator? 100 gram, ingen dagbog, mild kortvarig hoste diff Ordinal 99 = Fejl Real Fejlsøgning: 1 < diff < 10 Indtast den værdi, der er sat ring om prob Ordinal 99 = Fejl Real Fejlsøgning: 1 < prob < 10 Indtast den værdi, der er sat ring om pcard1 Ratio Indtast beløb 9999 = Fejl 46B Payment Card 1, hvis 0 Hvis pcard1 = 0: Hvorfor? pcard1_0 Nominal 1 = Godt tilfreds med min pen/pumpe 2 = Ikke tryg ved at bruge inhalator 3 = Andet 4 = = = = = Irrelevant 9 = Fejl 46C Payment Card 1, hvis 0 Andet: Åbent spørgsmål hvis pcard1 = 0 og pcard1_0 = 3 Andet-kategori: Åbent spørgsmål 47A Payment Card 2 Hvor meget er du villig til at betale for inhalator? 100 gram, dagbog, mild kortvarig hoste Real Fejlsøgning: pcard1 < Indtast det beløb, som er krydset af, eller det beløb som er skrevet i den åbne kategori CONTINGENCY: variable, der er afhængige af pcard1 = 0; pcard1_0, pcard1_str Integer - pcard1_str Nominal - String - pcard2 Ratio Indtast beløb 9999 = Fejl Real Fejlsøgning: pcard2 < Indtast det beløb, som er krydset af, eller det beløb som er skrevet i den åbne kategori CONTINGENCY: variable, der er afhængige af pcard2 = 0; pcard2_0, pcard2_str 219

221 # Teoretisk definition (TD) Operationel definition (OD) Variabel- Skalanavn niveau Kodning 47B Payment Card 2, hvis 0 Hvis pcard2 = 0: Hvorfor? pcard2_0 Nominal 1 = Godt tilfreds med min pen/pumpe 2 = Ikke tryg ved at bruge inhalator 3 = Andet 4 = = = = = Irrelevant 9 = Fejl 47C Payment Card 2, hvis 0 Andet: Åbent spørgsmål hvis pcard2 = 0 og pcard2_0 = 3 Andet-kategori: Åbent spørgsmål 48A Rygning Ryger du tobak? CONTINGENCY 48B Kvitte rygning Hvis rygning = 1; ville du kvitte rygning for at kunne bruge inhalator? pcard2_str Nominal - String - rygning Nominal 0 = Nej 1 = Ja 9 = Fejl rygkvit Nominal 0 = Nej 1 = Ja 2 = Ved ikke 8 = irrelevant 9 = Fejl Datatype Bemærkninger i øvrigt Integer - Byte /Integer Integer CONTINGENCY: variable, der er afhængige af rygning = 1: rygkvit Bemærk kodes anderledes end de fleste andre variable (0,1,2) 49A Kommentar 1 Respondents kommentarer komm1 Nominal - String String, 255 karakterer 49B Kommentar 2 Respondents kommentarer komm2 Nominal - String String, 255 karakterer 49C Kommentar 3 Respondents kommentarer komm3 Nominal - String String, 255 karakterer 49D Kommentar 4 Respondents kommentarer komm4 Nominal - String String, 255 karakterer 220

222 Bilag B5 Konstaterede fejl i pilotindtastningen Respnr (stempel) a Obs nr b Spm nr Variabel med fejl i GfK kodning Rigtig kodning Kommentar Fælles for alle observationer: - 1 kvinde Mand = 1; Mand = 0; Gentages for alle resp Kvinde = 2 Kvinde = 1-3 gift Gift = 1; Ikke Gift = 0; Gentages for alle resp Ikke Gift = 2 Gift = 1-47B rygkvit Ja = 1; Nej = 2 Nej = 0; Ja = 1 Gentages for alle resp Ved ikke = *_str, komm* Ingen string variable i respondent-grupperne 0000x og 1000x er placeret sammen med den korrekte respondent De er alle blevet forskubbet, formentlig pga forkert udfyldning af resp (respondentnummer) i de nævnte respondent-grupper (se mere nedenfor) For hvert enkelt spørgeskema (udover ovenstående): B skema 1 3 Gentages for alle skema = 3 12 motion 0 99 (ubesvaret) Resp har ikke svaret = udgift Resp har svaret 600 kr B skema 1 3 Gentages for alle skema = A resp Helt ærligt! 0B skema 1 3 Gentages for alle skema = 3 15B OAD 0 1 OAD og insulin er ikke gensidigt udelukkende Resp har sat kryds i OAD (og skal derfor kodes 1) A resp B skema 1 3 Gentages for alle skema = A resp B skema 1 3 Gentages for alle skema = A resp B skema 1 3 Gentages for alle skema = 3 9 erfa 0 99 (ubesvaret) spm er ubesvaret A resp A resp C kendand 0 1 Kendskab fra familie, venner og andre er ikke gensidigt udelukkende Respondent har sat kryds i både kendfam og kendand ( = 1 i disse) A resp erfa 0 99 (ubesvaret) spm er ubesvaret A resp A resp A resp motion diagnose A DE B OAD C insulin glucose A udstyr 8 9 Respondenten har åbenlyst overset side 4 og 5 i spørgeskemaet (disse er ikke besvaret) 18A idosem,idosef, D idosea, IdoseN 22 udgift udgifttot A resp B skema 3 1 Gentages for alle skema = 1 24 tilskud ? betragtes som ubesvaret, ikke som 0 kr B skema 3 1 Gentages for alle skema = B skema 3 1 Gentages for alle skema = B skema 3 1 Gentages for alle skema = B skema 3 1 Gentages for alle skema = B skema 3 1 Gentages for alle skema = 1 221

223 Respnr Obs Spm Variabel GfK kodning Rigtig kodning Kommentar (stempel) a nr b nr med fejl i 22 udgift ? betragtes som ubesvaret, ikke som 0 kr 23 udgifttot ? betragtes som ubesvaret, ikke som 0 kr B skema 3 1 Gentages for alle skema = 1 a) Resp nr (stempel) er det nummer, som GfK har stemplet på det fysiske spørgeskemas forside b) Obs nr er det record/observationsnummer, som spørgeskemaet har fået i datasættet, dvs den rækkefølge som skemaerne er sorteret efter i datasættet 222

224 Bilag B6 Rekodning af rådata Import og manuel rekodning af data * * /* > *! 11import_datado version 20-19dec kjaerhansen@mseconeu > - Import analysis dataset (real data) > */ * * // Importing data local input "indata/diabetes_22dec2006dat" insheet using `"`input'"', tab // import tab-separated data (82 vars, 315 obs) *=========================================================================* // Data from final study, 22dec2006 *=========================================================================* * * // A number of variables renamed with capitals rename de DE rename oad OAD rename idosem idosem rename idosef idosef rename idosea idosea rename idosen idosen rename kendfam kendfam rename kendven kendven rename kendand kendand rename c01 C01 rename c02 C02 rename c03 C03 rename c04 C04 rename c05 C05 rename c06 C06 rename c07 C07 rename c08 C08 rename c09 C09 rename c010 C10 rename c011 C11 rename c012 C12 describe DE OAD idose* kend* C* storage display value variable name type format label variable label - DE byte %80g DE OAD byte %80g OAD idosem int %80g idosem idosef int %80g idosef idosea int %80g idosea idosen int %80g idosen kendskab byte %80g kendfam byte %80g kendfam kendven byte %80g kendven 223

225 kendand byte %80g kendand C01 byte %80g C01 C02 byte %80g C02 C03 byte %80g C03 C04 byte %80g C04 C05 byte %80g C05 C06 byte %80g C06 C07 byte %80g C07 C08 byte %80g C08 C09 byte %80g C09 C10 byte %80g C010 C11 byte %80g C011 C12 byte %80g C012 * * // Correcting other problems with data entry, observation by observation // (from manual review of 45 out of 279 paper questionnaires) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) replace idosem = 18 if stempelid == // was 3 (1 real change made) replace udgift = 9999 if stempelid == // was 0 (1 real change made) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) replace idosem = 100 if stempelid == // was 99 (1 real change made) replace idosea = 100 if stempelid == // was 99 (1 real change made) replace udgift = 9999 if stempelid == // was 0 (1 real change made) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) replace udgift = 9999 if stempelid == // was 0 (1 real change made) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) replace gener_str = "Voldsomme svedeture i ansigtet/hovedet (ikke på kroppen)" /* > */ if stempelid == // (1 real change made) replace diagnose = 99 if stempelid == // was 0 (1 real change made) replace DE = 0 if stempelid == // was 1 (1 real change made) replace insulin = 1 if stempelid == // was 0 (1 real change made) replace udstyr = 1 if stempelid == // was 8 (1 real change made) replace idosem = 6 if stempelid == // was 888 (1 real change made) replace idosef = 6 if stempelid == // was 888 (1 real change made) replace idosea = 10 if stempelid == // was 888 (1 real change made) 224

226 replace idosen = 12 if stempelid == // was 888 (1 real change made) replace inhal = 0 if stempelid == // was 1 (1 real change made) replace udgift = 9999 if stempelid == // was 0 (1 real change made) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) replace tilskud = 9999 if stempelid == // was 0 (1 real change made) replace kendfam = 9 if stempelid == // was 0 (1 real change made) replace kendven = 9 if stempelid == // was 0 (1 real change made) replace kendand = 9 if stempelid == // was 0 (1 real change made) replace udgift = 9999 if stempelid == // was 0 (1 real change made) replace udgifttot = 9999 if stempelid == // was 0 (1 real change made) * * isid resp, sort (data now sorted by resp) save $dsetprefix, replace file data/datadta saved Rekodning af rådata * * /* > *! 12prepare_datado version 10-09nov kjaerhansen@mseconeu > - Label, recode and check variables > - Exluding observations from dataset > */ * * /* In input data missing values are coded > o 8, 88, 888 or 8888 for values that are naturally missing, > eg values in variables, which the respondent were not > ment to answer, because of contingencies etc > 9, 99, 999, 9999 for values that are missing due to > unanswered question or other types of error > > o In Stata, type 8 errors are coded a and type 9 errors are coded b > (a, b,, z) are Stata's extended missing values, which allows > you to handle various kinds of missing definitions, like in this case > Command -mvdecode- is used to recode to missing (a and b) > > o Recoded versions of the collected variables are in most cases named > with a capital first letter to distinguish these from the other variables > */ use $dsetprefix * * // Defining standard value label definitions: Ja/Nej + onlymissing label def janej 0 "Nej" 1 "Ja" a "Irrelevant" b "Ubesvaret" label def onlymissing a "Irrelevant" b "Ubesvaret" 225

227 *=========================================================================* // Recoding variables, labeling variables and values // and checking assertions about variables, one variable at a time *=========================================================================* // resp capture noisily assert!missing(resp) // no missing obs isid resp, sort (data already sorted by resp) label var resp "Respondent-nummer" * * // skema capture noisily assert inlist(skema,1,2,3) // values should be (only) 1,2,3 label var skema "Spørgeskema-version" * * /* Postnummer not included in data file > // post > mvdecode post, mv(9999 = b) > label val post onlymissing > label var post "Postnummer" > */ * * // kvinde mvdecode kvinde, mv(9 = b) kvinde: 1 missing value generated capture noisily assert inlist(kvinde,0,1,b) label def kvindefmt 0 "Mand" 1 "Kvinde" b "Ubesvaret" label val kvinde kvindefmt label var kvinde "Kvinde = 1; 0 ellers" * * // faar mvdecode faar, mv(9999 = b) faar: 4 missing values generated capture noisily assert (faar < 1992 & faar > 1901) missing(faar) 1 contradiction in 315 observations assertion is false label val faar onlymissing label var faar "Fødselsår" // recode faar: new variable ==> alder gen int alder = faar (4 missing values generated) replace alder = b if alder == (4 real changes made, 4 to missing) move alder gift label val alder onlymissing label var alder "Alder" * * // gift mvdecode gift, mv(9 = b) gift: 1 missing value generated capture noisily assert inlist(gift,0,1,b) label def giftfmt 0 "Ikke gift/samboende" 1 "Gift/samboende" b "Ubesvaret" 226

228 label val gift giftfmt label var gift "Gift/samboende = 1" * * // udd mvdecode udd, mv(9 = b) udd: 3 missing values generated capture noisily assert inlist(udd,1,2,3,4,5,b) label def uddfmt 1 "Grundskole" /// > 2 "Gymnasial eller erhvervsfaglig uddannelse" /// > 3 "Kort videregående uddannelse" /// > 4 "Mellemlang videregående uddannelse" /// > 5 "Lang videregående uddannelse" /// > b "Ubesvaret" label val udd uddfmt label var udd "Uddannelse, senest afsluttede" // recode udd: new variable ==> vudd recode udd (1 2 = 0) (3 4 5 = 1), gen(vudd) (312 differences between udd and vudd) move vudd uddaar label def vuddfmt 0 "Ikke videregående udd" 1 "Videregående udd" b "Ubesvaret" label val vudd vuddfmt label var vudd "Videregående uddannelse = 1" * * // uddaar mvdecode uddaar, mv(99 = b) uddaar: 2 missing values generated capture noisily assert (uddaar < 26 & uddaar > 6) missing(uddaar) 11 contradictions in 315 observations assertion is false tab uddaar if uddaar > 26 uddaar < 6, missing nolabel uddaar Freq Percent Cum ,00 25, ,33 33, ,33 41, ,33 50, ,00 75, ,33 83,33 b 2 16,67 100, Total ,00 replace uddaar = b if uddaar > 26 uddaar < 6 (10 real changes made, 10 to missing) label val uddaar onlymissing label var uddaar "Uddannelse, antal år" * * // arbejde mvdecode arbejde, mv(9 = b) arbejde: 2 missing values generated capture noisily assert inlist(arbejde,1,2,3,4,5,b) label def arbejdefmt 1 "I beskæftigelse" 2 "Ledig" 3 "Studerende" /// > 4 "Pensionist" 5 "Udenfor arbejdsmarkedet i øvrigt" /// > b "Ubesvaret" label val arbejde arbejdefmt 227

229 label var arbejde "Tilknytning til arbejdsmarkedet" // recode arbejde: new variable ==> besk recode arbejde ( = 0), gen(besk) (170 differences between arbejde and besk) move besk arbtid label def beskfmt 0 "Ikke i beskæftigelse" 1 "I beskæftigelse" b "Ubesvaret" label val besk beskfmt label var besk "Beskæftigelse = 1" // arbtid (CONTINGENT on arbejde = 1) mvdecode arbtid, mv(888 = a \ 999 = b) arbtid: 173 missing values generated capture noisily assert (arbtid < 100) missing(arbtid) capture noisily assert arbtid == a if inlist(arbejde,2,3,4,5) capture noisily assert arbtid!= a if arbejde == 1 missing(arbejde) 2 contradictions in 145 observations assertion is false label val arbtid onlymissing label var arbtid "Ugentlig arbejdstid (gns), hvis arbejde" // fysisk (CONTINGENT on arbejde = 1) mvdecode fysisk, mv(8 = a \ 9 = b) fysisk: 174 missing values generated capture noisily assert inlist(fysisk,0,1,a,b) capture noisily assert fysisk == a if inlist(arbejde,2,3,4,5) capture noisily assert fysisk!= a if arbejde == 1 missing(arbejde) 2 contradictions in 145 observations assertion is false lab val fysisk janej // janej is defined at the top of this file) label var fysisk "Hårdt fysisk arbejde(?)" * * // erfa mvdecode erfa, mv(99 = b) capture noisily assert (erfa < 60) & (erfa < alder) 3 contradictions in 315 observations assertion is false replace erfa = b if erfa > 60 (1 real change made, 1 to missing) label val erfa onlymissing label var erfa "Erhvervserfaring, antal år" * * // indkomst mvdecode indkomst, mv(9 = b) indkomst: 10 missing values generated capture noisily assert inlist(indkomst,1,2,3,4,5,6,7,8,b) label def indkomstfmt 1 " kr" 2 " kr" /// > 3 " kr" 4 " kr" /// > 5 " kr" 6 " kr" /// > 7 " kr" 8 " kr og derover" /// > b "Ubesvaret" 228

230 label val indkomst indkomstfmt label var indkomst "Årlig husstandsindkomst, brutto" * * // fritid* (3 string variables) confirm string var fritid_str1 fritid_str2 fritid_str3 label var fritid_str1 "Fritidsaktivitet 1" label var fritid_str2 "Fritidsaktivitet 2" label var fritid_str3 "Fritidsaktivitet 3" * * // motion mvdecode motion, mv(99 = b) capture noisily assert (motion < 40) missing(motion) 1 contradiction in 315 observations assertion is false replace motion = if motion > 40 (1 real change made, 1 to missing) label val motion onlymissing label var motion "Motion, antal timer pr uge (gns)" * * // type1 mvdecode type1, mv(9 = b) type1: 2 missing values generated capture noisily assert inlist(type1,0,1,b) label def type1fmt 0 "Type 2 diabetes" 1 "Type 1 diabetes" b "Ubesvaret" label val type1 type1fmt label var type1 "Type 1 diabetes = 1" // recode type1: new variable ==> type2 recode type1 (1 = 0) (0 = 1), gen(type2) (313 differences between type1 and type2) move type2 diagnose label def type2fmt 0 "Type 1 diabetes" 1 "Type 2 diabetes" b "Ubesvaret" label val type2 type2fmt label var type2 "Type 2 diabetes = 1" * * // diagnose mvdecode diagnose, mv(99 = b) diagnose: 1 missing value generated capture noisily assert (diagnose < alder) missing(diagnose) label val diagnose onlymissing label var diagnose "Antal år siden diagnose" * * // DE, OAD & insulin (3 variables) mvdecode DE OAD insulin, mv(9 = b) capture noisily assert inlist(de,0,1,b) // OAD + insulin can be > capture noisily assert inlist(oad,0,1,b) // present at the same 229

231 capture noisily assert inlist(insulin,0,1,b) // time, but not DE + capture noisily assert (OAD == 0) missing(oad) if DE == 1 // OAD or DE capture noisily assert (insulin == 0) missing(insulin) if DE == 1 // + insulin count if type1 == 1 & insulin == 0 // type 1 should use insulin 0 label def DEfmt 0 "Ikke DE" 1 "DE" b "Ubesvaret" label val DE DEfmt label def OADfmt 0 "Ikke OAD" 1 "OAD" b "Ubesvaret" label val OAD OADfmt label def insulinfmt 0 "Ikke insulin" 1 "Insulin" b "Ubesvaret" label val insulin insulinfmt label var DE "Behandling: DE = 1; 0 ellers" label var OAD "Behandling: OAD = 1; 0 ellers" label var insulin "Behandling: Insulin = 1; 0 ellers" // recode type1 & insulin: new variable ==> typexinsulin egen byte typexinsulin = group(type2 insulin),lname(typexinsulinfmt) (2 missing values generated) replace typexinsulin = b if typexinsulin == (2 real changes made, 2 to missing) move typexinsulin glucose label var typexinsulin "Gruppe: diabetestype x insulin" * * // glucose mvdecode glucose, mv(99 = b) glucose: 1 missing value generated capture noisily assert (glucose < 22) missing(glucose) label val glucose onlymissing label var glucose "Antal blodsukkermålinger de sidste 7 dage (gns)" * * // udstyr (CONTINGENT on insulin = 1) /* New category added 16dec2006: 3 = engangs+flergangs Other cats shifted */ recode udstyr (5 = 3) (3 = 4) (4 = 5) (udstyr: 33 changes made) mvdecode udstyr, mv(8 = a \ 9 = b) udstyr: 144 missing values generated capture noisily assert inlist(udstyr,1,2,3,4,5,a,b) capture noisily assert udstyr == a if insulin == 0 capture noisily assert udstyr!= a if insulin == 1 missing(insulin) label def udstyrfmt 1 "Engangs-pen" 2 "Flergangs-pen" /// > 3 "Engangs- og Flergangspen" 4 "Pumpe" 5 "Andet" /// > a "Irrelevant" b "Ubesvaret" label val udstyr udstyrfmt label var udstyr "Type udstyr" // udstyr_str confirm string var udstyr_str 230

232 label var udstyr_str "Hvis andet udstyr: hvilket?" // recode udstyr on the basis of answers in open category udstyr_str // The following is being done manually (added 19dec2006): list stempelid udstyr udstyr_str if!missing(udstyr_str) <Some output omitted> /* engangs-pen assumed, if device is just listed as pen */ replace udstyr = 1 /* > */ if inlist(stempelid,10033,20040,20010,20076,20058,30070, /* > */ 30053,30040,30022,30023,30028,10071,20068,30030) (14 real changes made) // redcode udstyr: new variable ==> ipen recode udstyr (1 2 3 = 1) (4 5 = 0), gen(ipen) (48 differences between udstyr and ipen) move ipen idosem label def ipenfmt /// > 0 "Bruger ikke pen" 1 "Bruger pen" a "Irrelevant" b "Ubesvaret" label val ipen ipenfmt label var ipen "Bruger pen = 1" * * // idosem, idosef, idosea, idosen (4 variables) (CONTINGENT on insulin = 1) mvdecode idose*, mv(888 = a \ 999 = b) idosem: 143 missing values generated idosef: 143 missing values generated idosea: 143 missing values generated idosen: 143 missing values generated capture noisily assert (idosem < 50) missing(idosem) 6 contradictions in 315 observations assertion is false capture noisily assert (idosef < 50) missing(idosef) capture noisily assert (idosea < 50) missing(idosea) 7 contradictions in 315 observations assertion is false capture noisily assert (idosen < 50) missing(idosen) 6 contradictions in 315 observations assertion is false capture noisily assert idosem == a if insulin == 0 capture noisily assert idosef == a if insulin == 0 capture noisily assert idosea == a if insulin == 0 capture noisily assert idosen == a if insulin == 0 capture noisily assert idosem!= a if insulin == 1 missing(insulin) capture noisily assert idosef!= a if insulin == 1 missing(insulin) capture noisily assert idosea!= a if insulin == 1 missing(insulin) capture noisily assert idosen!= a if insulin == 1 missing(insulin) label val idosem onlymissing label val idosef onlymissing label val idosea onlymissing label val idosen onlymissing label var idosem "Antal enh insulin: morgen" 231

233 label var idosef "Antal enh insulin: frokost" label var idosea "Antal enh insulin: aften" label var idosen "Antal enh insulin: før sengetid" // redcode idosex: new variable ==> idose egen int idose = rowtotal(idose*) replace idose = b if idose == 0 (144 real changes made, 144 to missing) ///& (mi(idosem) & mi(idosef) & mi(idosea) & mi(idosen)) > replace idose = a if idose == 0 & idosem == a (0 real changes made) move idose syg1 label val idose onlymissing label var idose "Antal enh insulin pr dag (gns)" * * // syg1-syg8 (8 variables) mvdecode syg?, mv(9 = b) syg1: 1 missing value generated syg2: 1 missing value generated syg3: 1 missing value generated syg4: 1 missing value generated syg5: 1 missing value generated syg6: 1 missing value generated syg7: 1 missing value generated syg8: 1 missing value generated capture noisily assert inlist(syg1,0,1,b) capture noisily assert inlist(syg2,0,1,b) capture noisily assert inlist(syg3,0,1,b) capture noisily assert inlist(syg4,0,1,b) capture noisily assert inlist(syg5,0,1,b) capture noisily assert inlist(syg6,0,1,b) capture noisily assert inlist(syg7,0,1,b) capture noisily assert inlist(syg8,0,1,b) label def syg1fmt 0 "Har ikke forhøjet blodtryk" /// > 1 "Har forhøjet blodtryk" b "Ubesvaret" label def syg2fmt 0 "Har ikke forhøjet kolesteroltal" /// > 1 "Har forhøjet kolesteroltal" b "Ubesvaret" label def syg3fmt 0 "Har ikke hjerte-/karsygdomme" /// > 1 "Har hjerte-/karsygdomme" b "Ubesvaret" label def syg4fmt 0 "Har ikke fodsår" /// > 1 "Har fodsår" b "Ubesvaret" label def syg5fmt 0 "Har ikke retinopati" /// > 1 "Har retinopati" b "Ubesvaret" label def syg6fmt 0 "Har ikke nefropati" /// > 1 "Har nefropati" b "Ubesvaret" label def syg7fmt 0 "Har ikke neuropati" /// > 1 "Har neuropati" b "Ubesvaret" label def syg8fmt 0 "Har ikke anden følgesygdom" /// > 1 "Har anden følgesygdom" b "Ubesvaret" label val syg1 syg1fmt label val syg2 syg2fmt 232

234 label val syg3 syg3fmt label val syg4 syg4fmt label val syg5 syg5fmt label val syg6 syg6fmt label val syg7 syg7fmt label val syg8 syg8fmt label var syg1 "Følgesygdom: Forhøjet blodtryk" label var syg2 "Følgesygdom: Forhøjet kolesteroltal" label var syg3 "Følgesygdom: Hjerte-/karsygdomme åreforkalkning i hjerte, hjerne og be > n" label var syg4 "Følgesygdom: Fodsår" label var syg5 "Følgesygdom: Retinopati diabetisk øjensygdom" label var syg6 "Følgesygdom: Nefropati diabetisk nyresygdom" label var syg7 "Følgesygdom: Neuropati diabetisk nervesygdom" label var syg8 "Følgesygdom: Anden" // redcode syg1-syg8: new variable ==> syg0 egen byte syg0 = anymatch(syg?), values(1) // syg0 = 1 if any sygx = 1 replace syg0 = b if mi(syg1) & mi(syg2) & mi(syg3) & mi(syg4) & /* > */ mi(syg5) & mi(syg6) & mi(syg7) & mi(syg8) (1 real change made, 1 to missing) move syg0 syg1 label def syg0fmt 0 "Har ingen følgesygdomme" 1 "Har mindst én følgesygdom" /// > b "Ubesvaret" label val syg0 syg0fmt label var syg0 "Har mindst én følgesygdom" // syg_str confirm string var syg_str label var syg_str "Hvis anden følgesygdom: hvilken?" * * // gener_str confirm string var gener_str label var gener_str "Andre gener i forbindelse med diabetes" * * // injekt mvdecode injekt, mv(9 = b) injekt: 33 missing values generated capture noisily assert inlist(injekt,0,1,b) label val injekt janej label var injekt "Forbehold ved injektion = 1" // aarsag (CONTINGENT on injekt = 1) mvdecode aarsag, mv(8 = a \ 9 = b) aarsag: 250 missing values generated capture noisily assert inlist(aarsag,1,2,3,4,a,b) capture noisily assert aarsag == a if injekt == 0 233

235 capture noisily assert aarsag!= a if injekt == 1 missing(injekt) label def aarsagfmt 1 "Angst for nåle/for at skulle stikke sig selv" /// > 2 "Bekymret for blå mærker" 3 "Social stigmatisering" /// > 4 "Andet" a "Irrelevant" b "Ubesvaret" label val aarsag aarsagfmt label var aarsag "Årsag til forbehold, hvis forbehold" // aarsag_str confirm string var aarsag_str label var aarsag_str "Hvis anden årsag, hvilken?" * * // udgift mvdecode udgift, mv(9999 = b) udgift: 6 missing values generated capture noisily assert udgift < 1000 missing(udgift) 10 contradictions in 315 observations assertion is false label val udgift onlymissing count if udgift <= 0 60 label var udgift "Egenbetaling for diabetesrelateret medicin (gns), DKK/måned" // redcode udgift: new variable ==> udgift0 clonevar udgift0 = udgift (6 missing values generated) replace udgift0 = b if udgift0 == 0 (60 real changes made, 60 to missing) label var udgift0 "Egenbetaling for diabetesrelateret medicin (gns), DKK/måned, uden nul > -besvarelser" note: label truncated to 80 characters * * // udgifttot mvdecode udgifttot, mv(9999 = b) udgifttot: 8 missing values generated capture noisily assert udgifttot < 5000 missing(udgifttot) capture noisily assert udgifttot >= udgift if!missing(udgift) 10 contradictions in 309 observations assertion is false label val udgifttot onlymissing count if udgifttot <= 0 38 label var udgifttot "Husstandens egenbetaling for receptpligtig medicin (gns), DKK/måned > " // redcode udgifttot: new variable ==> udgifttot0 clonevar udgifttot0 = udgifttot (8 missing values generated) replace udgifttot0 = b if udgifttot0 == 0 (38 real changes made, 38 to missing) label var udgifttot0 "Husstandens egenbetaling for receptpligtig medicin (gns), DKK/måne > d, uden nul-besvarelser" note: label truncated to 80 characters * * // danmark 234

236 mvdecode danmark, mv(9 = b) danmark: 4 missing values generated capture noisily assert inlist(danmark,0,1,b) label val danmark janej label var danmark "Sygesikringen danmark, medlem = 1" // tilskud (CONTINGENT on danmark = 1) mvdecode tilskud, mv(8888 = a \ 9999 = b) tilskud: 241 missing values generated capture noisily assert tilskud <= udgifttot missing(tilskud) 16 contradictions in 315 observations assertion is false label val tilskud onlymissing count if tilskud <= 0 3 label var tilskud "Tilskud fra danmark, gns DKK/måned" * * // kendskab mvdecode kendskab, mv(9 = b) kendskab: 2 missing values generated capture noisily assert inlist(kendskab,1,2,3,4,5,b) label def kendskabfmt 1 "Intet kendskab" 2 "Lidt kendskab" 3 "Godt kendskab" /// > 4 "Meget godt kendskab" 5"Ved ikke" b "Ubesvaret" labe val kendskab kendskabfmt label var kendskab "Forhåndskendskab til diabetes?" * * // kendfam, kendven, kendand (3 variables) mvdecode kendfam kendven kendand, mv(9 = b) kendfam: 1 missing value generated kendven: 1 missing value generated kendand: 1 missing value generated capture noisily assert inlist(kendfam,0,1,b) capture noisily assert inlist(kendven,0,1,b) capture noisily assert inlist(kendand,0,1,b) label val kendfam janej label val kendven janej label val kendand janej label var kendfam "Forhåndskendskab fra familie = 1" label var kendven "Forhåndskendskab fra venner = 1) label var kendand "Forhåndskendskab fra bekendte mv = 1 * * // inhal mvdecode inhal, mv(9 = b) inhal: 2 missing values generated capture noisily assert inlist(inhal,0,1,b) label val inhal janej label var inhal "Kendskab til inhaleret insulin = 1" // inhal_str 235

237 confirm string var inhal_str label var inhal_str "Hvis kendskab til inhaleret insulin: hvorfra?" * * // valg1, valg2, valg3 (3 variables) mvdecode valg*, mv(9 = b) valg1: 14 missing values generated valg2: 11 missing values generated valg3: 12 missing values generated capture noisily assert inlist(valg1,0,1,b) capture noisily assert inlist(valg2,0,1,b) capture noisily assert inlist(valg3,0,1,b) label def valgfmt 0 "Pen vælges" 1 "Inhalator vælges" b "Ubesvaret" label val valg1 valgfmt label val valg2 valgfmt label val valg3 valgfmt label var valg1 "Valg1: Inhalator = 1, ingen forskel i pris" label var valg2 "Valg2: Inhalator = 1, merpris inhalator: 150 kr" label var valg3 "Valg3: Inhalator = 1, merpris inhalator: 400 kr" * * // rateatt1-rateatt5 (5 variables) mvdecode rateatt*, mv(9 = b) rateatt1: 56 missing values generated rateatt2: 59 missing values generated rateatt3: 53 missing values generated rateatt4: 58 missing values generated rateatt5: 47 missing values generated capture noisily assert inlist(rateatt1,1,2,3,4,5,b) capture noisily assert inlist(rateatt2,1,2,3,4,5,b) capture noisily assert inlist(rateatt3,1,2,3,4,5,b) capture noisily assert inlist(rateatt4,1,2,3,4,5,b) capture noisily assert inlist(rateatt5,1,2,3,4,5,b) egen rowtotalatt = rowtotal(rateatt*) // rowtotal should be 15, if no missing capture noisily assert rowtotalatt == 15 /// > if!missing(rateatt1,rateatt2,rateatt3,rateatt4,rateatt5) 2 contradictions in 252 observations assertion is false if _rc list rateatt* rowtotalatt if rowtotal!= 15, nolabel <Some output omitted> replace rateatt1 = b if rowtotal!= 15 // (9 real changes made, 9 to missing) replace rateatt2 = b if rowtotal!= 15 // added 19dec2006 (6 real changes made, 6 to missing) replace rateatt3 = b if rowtotal!= 15 // only the ratings, which are (12 real changes made, 12 to missing) replace rateatt4 = b if rowtotal!= 15 // consistent are kept (7 real changes made, 7 to missing) replace rateatt5 = b if rowtotal!= 15 // (18 real changes made, 18 to missing) drop rowtotalatt 236

238 label def rateattfmt 1 "den vigtigste egenskab" /// > 2 "den næstvigtigste egenskab" /// > 3 "den tredie vigtigste egenskab" /// > 4 "næstmindst vigtige egenskab" /// > 5 "den mindst vigtige egenskab" b "Ubesvaret" label val rateatt1 rateattfmt label val rateatt2 rateattfmt label val rateatt3 rateattfmt label val rateatt4 rateattfmt label val rateatt5 rateattfmt label var rateatt1 "Mindre størrelse på apparatet, rangordning: 1 = vigtigst til 5" label var rateatt2 "Indbygget dagbogsfunktion, rangordning: 1 = vigtigst til 5" label var rateatt3 "Integreret blodsukkermåler, rangordning: 1 = vigtigst til 5" label var rateatt4 "Ingen hoste, rangordning: 1 = vigtigst til 5" label var rateatt5 "Mindre egenbetaling, rangordning: 1 = vigtigst til 5" * * // C01-C12 (12 variables/choice sets) mvdecode C*, mv(9 = b) C01: 5 missing values generated C02: 5 missing values generated C03: 7 missing values generated C04: 6 missing values generated C05: 7 missing values generated C06: 7 missing values generated C07: 7 missing values generated C08: 7 missing values generated C09: 5 missing values generated C10: 5 missing values generated C11: 5 missing values generated C12: 6 missing values generated capture noisily assert inlist(c01,1,2,3,b) capture noisily assert inlist(c02,1,2,3,b) capture noisily assert inlist(c03,1,2,3,b) capture noisily assert inlist(c04,1,2,3,b) capture noisily assert inlist(c05,1,2,3,b) capture noisily assert inlist(c06,1,2,3,b) capture noisily assert inlist(c07,1,2,3,b) capture noisily assert inlist(c08,1,2,3,b) capture noisily assert inlist(c09,1,2,3,b) capture noisily assert inlist(c10,1,2,3,b) capture noisily assert inlist(c11,1,2,3,b) capture noisily assert inlist(c12,1,2,3,b) label def Cfmt 1 "Jeg vælger pen" 2 "Jeg vælger inhalator" /// > 3 "Ingen af de to" b "ubesvaret" label val C01 Cfmt label val C02 Cfmt label val C03 Cfmt label val C04 Cfmt 237

239 label val C05 Cfmt label val C06 Cfmt label val C07 Cfmt label val C08 Cfmt label val C09 Cfmt label val C10 Cfmt label val C11 Cfmt label val C12 Cfmt label var C01 "Valgsæt 1 (#31), (1,2,3)" label var C02 "Valgsæt 2 (#32), (1,2,3)" label var C03 "Valgsæt 3 (#33), (1,2,3)" label var C04 "Valgsæt 4 (#34), (1,2,3)" label var C05 "Valgsæt 5 (#35), (1,2,3)" label var C06 "Valgsæt 6 (#36), (1,2,3)" label var C07 "Valgsæt 7 (#37), (1,2,3)" label var C08 "Valgsæt 8 (#38), (1,2,3)" label var C09 "Valgsæt 9 (#39), (1,2,3)" label var C10 "Valgsæt 10 (#40), (1,2,3)" label var C11 "Valgsæt 11 (#41), (1,2,3)" label var C12 "Valgsæt 12 (#42), (1,2,3)" * * // diff, prob (2 variables) mvdecode diff prob, mv(99 = b) diff: 2 missing values generated prob: 2 missing values generated capture noisily assert inlist(diff,1,2,3,4,5,6,7,8,9,10,b) capture noisily assert inlist(prob,1,2,3,4,5,6,7,8,9,10,b) label val diff onlymissing label val prob onlymissing label var diff "Sværhedsgrad af valgspm, meget let (1) til meget svært (10)" label var prob "Konfidensgrad ved valgspm, meget usikker (1) til meget sikker (10)" * * // pcard1 mvdecode pcard1, mv(9999 = b) pcard1: 7 missing values generated capture noisily assert pcard1 < 5000 missing(pcard1) count if pcard1 <= label val pcard1 onlymissing label var pcard1 "Payment Card 1: betaling for inhalator, DKK" // redcode pcard1: new variable ==> pcard1_minus0 clonevar pcard1_minus0 = pcard1 (7 missing values generated) replace pcard1_minus0 = b if pcard1_minus0 == 0 238

240 (135 real changes made, 135 to missing) label var pcard1_minus0 "Payment Card 1: betaling for inhalator, DKK (uden nulbud)" // pcard1_0 (CONTINGENT on pcard1 = 0) mvdecode pcard1_0, mv(8 = a \ 9 = b) pcard1_0: 181 missing values generated capture noisily assert inlist(pcard1_0,1,2,3,4,5,6,7,a,b) capture noisily assert pcard1_0 == a if (pcard1 > 0 & pcard1 < ) label def pcardfmt 1 "God tilfreds med min pen/pumpe" /// > 2 "Ikke tryg ved at bruge inhalator" /// > 3 "Andet" /// > 4 "God tilf m/pen + ikke tryg v/inh" /// > 5 "God tilf m/pen + Andet" /// > 6 "Ikke tryg v/inh + Andet" /// > 7 "Godt tilf + Ikke tryg + Andet" /// > a "Irrelevant" b "Ubesvaret" label val pcard1_0 pcardfmt label var pcard1_0 "Payment Card 1: Hvis 0 kr, hvorfor?" // pcard1_str confirm string var pcard1_str label var pcard1_str "Payment Card 1 = 0 kr, Andet" * * // pcard2 mvdecode pcard2, mv(9999 = b) pcard2: 7 missing values generated capture noisily assert pcard2 < 5000 missing(pcard2) count if pcard2 <= label val pcard2 onlymissing label var pcard2 "Payment Card 2: betaling for inhalator, DKK" // redcode pcard2: new variable ==> pcard2_minus0 clonevar pcard2_minus0 = pcard2 (7 missing values generated) replace pcard2_minus0 = b if pcard2_minus0 == 0 (129 real changes made, 129 to missing) label var pcard2_minus0 "Payment Card 2: betaling for inhalator, DKK (uden nulbud)" // pcard2_0 (CONTINGENT on pcard2 = 0) mvdecode pcard2_0, mv(8 = a \ 9 = b) pcard2_0: 189 missing values generated capture noisily assert inlist(pcard2_0,1,2,3,4,5,6,7,a,b) capture noisily assert pcard2_0 == a if (pcard2 > 0 & pcard2 < ) label val pcard2_0 pcardfmt label var pcard2_0 "Payment Card 2: Hvis 0 kr, hvorfor?" // pcard2_str confirm string var pcard2_str label var pcard2_str "Payment Card 2 = 0 kr, Andet" * * // rygning mvdecode rygning, mv(9 = b) 239

241 rygning: 2 missing values generated capture noisily assert inlist(rygning,0,1,b) label val rygning janej label var rygning "Rygning = 1; 0 ellers" // rygkvit (CONTINGENT on rygning = 1) mvdecode rygkvit, mv(8 = a \ 9 = b) rygkvit: 206 missing values generated capture noisily assert inlist(rygkvit,0,1,2,a,b) capture noisily assert rygkvit == a if rygning == 0 label def rygkvitfmt 0 "Nej" 1 "Ja" 2 "Ved ikke" a "Irrelevant" b "Ubesvaret" label val rygkvit rygkvitfmt label var rygkvit "Kvitte rygning for at bruge inhalator(?)" * * /* > // Comments are not included in final dataset, see separate file > // komm1-komm4 (4 string variables) > confirm string var komm1 komm2 komm3 komm4 > label var komm1 "Respondents kommentarer 1" > label var komm2 "Respondents kommentarer 2" > label var komm3 "Respondents kommentarer 3" > label var komm4 "Respondents kommentarer 4" > */ *=========================================================================* // Reordering variables in dataset *=========================================================================* order /// > stempelid /// > resp skema kvinde faar alder gift udd vudd uddaar arbejde besk arbtid /// > fysisk erfa indkomst fritid_str1 fritid_str2 fritid_str3 motion type1 /// > type2 diagnose DE OAD insulin typexinsulin glucose udstyr udstyr_str /// > ipen idosem idosef idosea idosen idose syg0 syg1 syg2 syg3 syg4 syg5 /// > syg6 syg7 syg8 syg_str gener_str injekt aarsag aarsag_str udgift /// > udgift0 udgifttot udgifttot0 danmark tilskud kendskab kendfam kendven /// > kendand inhal /// > inhal_str valg1 valg2 valg3 rateatt1 rateatt2 rateatt3 rateatt4 /// > rateatt5 C01 C02 C03 C04 C05 C06 C07 C08 C09 C10 C11 C12 diff prob /// > pcard1 pcard1_minus0 pcard1_0 pcard1_str pcard2 pcard2_minus0 /// > pcard2_0 pcard2_str rygning rygkvit *=========================================================================* // Excluding variables from dataset and exporting list of these *=========================================================================* // Marking variables, which do not have missing in kvinde, faar, type1, // insulin and C* Variables, which have missing in these, are excluded * * sort stempelid ds kvinde faar type1 insulin C* kvinde type1 C01 C03 C05 C07 C09 C11 faar insulin C02 C04 C06 C08 C10 C12 local varlist "`r(varlist)'" marksample touse // Excluding questionnaire for 13 year old girl, only partly filled in by parent replace `touse' = 0 if stempelid == & alder == 13 (1 real change made) count if!`touse' 17 list resp stempelid `varlist' if!`touse' 240

242 <Some output omitted> outsheet stempelid `varlist' if!`touse' using output/5-1_excludedrespstxt /// >, replace nolabel (note: file output/5-1_excludedrespstxt not found) * * egen misc = rowmiss(c*) tab misc misc Freq Percent Cum ,87 95, ,63 96, ,95 97, ,27 98, ,27 100, Total ,00 * * // Dropping respondents according to above list * * drop if!`touse' (17 observations deleted) drop `touse' *=========================================================================* // Counting the number of pen, inh and opt-out answers per resp in C* *=========================================================================* unab varlist: C* gen long onec = 0 gen long twoc = 0 gen long threec = 0 qui foreach var of local varlist { label var misc "Antal ubesvarede valgsæt" label var onec "Pen valgt (antal gange)" label var twoc "Inhalator valgt (antal gange)" label var threec "Ingen af delene valgt (antal gange)" tab1 misc-threec <Some output omitted> *=========================================================================* // Sorting observations by resp *=========================================================================* isid resp, sort (data now sorted by resp) save ${dsetprefix}_resp, replace (note: file data/data_respdta not found) file data/data_respdta saved 241

243 Opbygning af datasæt til DCE analyser * * /* > *! 13prepare_panelsetupdo version 10-20nov kjaerhansen@mseconeu > - Reshape data from wide to long, ie (n-respondens x 12 x 3) obs > This do file is for use with data from final study or with fictive > data Otherwise, if you are using pilot data, run the do file > 13prepare_panelsetup_pilotdo > */ * * *=========================================================================* // Formatting attribute dataset, preparing for merge of datasets // blockdesignxls/blockdesigntxt used as input for attribute dataset *=========================================================================* drop _all insheet using indata/blockdesigntxt, tab (10 vars, 36 obs) describe Contains data obs: 36 vars: 10 size: 504 (99,9% of memory free) - storage display value variable name type format label variable label - block byte %80g Block run byte %80g Run x1 byte %80g x2 byte %80g x3 byte %80g x4 byte %80g x5 byte %80g x6 byte %80g x7 byte %80g x8 byte %80g - Sorted by: Note: dataset has changed since last saved list, sepby(block) <Some output omitted> * * // Initial attributes for pen * * recode x1 (1 = 30 "30") (2 = 50 "50") (3 = 80 "80"), gen(p1) lab(p1fmt) (36 differences between x1 and P1) label var P1 "P1: Pen, størrelse (gram)" recode x2 (1 = 1 "1") (2 = -1 "-1"), gen(p2) lab(p2fmt) (18 differences between x2 and P2) label var P2 "P2: Pen, dagbogsfunktion indbygget" recode x3 (1 = 1 "1") (2 = -1 "-1"), gen(p3) lab(p3fmt) (18 differences between x3 and P3) label var P3 "P3: Pen, integreret blodsukkermåler" recode x4 (1 = 100 "100") (2 = 150 "150") (3 = 250 "250") (4 = 400 "400") /// > (5 = 800 "800") (6 = 1500 "1500"), gen(p4) lab(p4fmt) (36 differences between x4 and P4) label var P4 "P4: Pen, egenbetaling pr måned" 242

244 * * // Initial attributes for inhalator * * recode x5 (1 = 100 "100") (2 = 200 "200") (3 = 600 "600"), gen(i1) lab(i1fmt) (36 differences between x5 and I1) label var I1 "I1: Inhalator, størrelse (gram)" recode x6 (1 = 1 "1") (2 = -1 "-1"), gen(i2) lab(i2fmt) (18 differences between x6 and I2) label var I2 "I2: Inhalator, dagbogsfunktion indbygget" recode x7 (1 = 1 "1") (2 = -1 "-1"), gen(i3) lab(i3fmt) (18 differences between x7 and I3) label var I3 "I3: Inhalator, mild, kortvarig hoste" recode x8 (1 = 100 "100") (2 = 150 "150") (3 = 250 "250") (4 = 400 "400") /// > (5 = 800 "800") (6 = 1500 "1500"), gen(i4) lab(i4fmt) (36 differences between x8 and I4) label var I4 "I4: Inhalator, egenbetaling pr måned" rename block skema rename run c_set drop x* sort skema c_set list, sepby(skema) skema c_set P1 P2 P3 P4 I1 I2 I3 I

245 // Saving attribute data save ${dsetprefix}_attribute, replace (note: file data/data_attributedta not found) file data/data_attributedta saved *=========================================================================* // Modifications to resp data, before merge // Going from nresp observations to (12 x nresp) observations *=========================================================================* use ${dsetprefix}_resp expand 12 (3278 observations created) sort resp by resp: gen byte c_set = _n move c_set kvinde sort skema c_set // Merging, one-to-many, Master = many; using = one merge skema c_set using ${dsetprefix}_attribute variables skema c_set do not uniquely identify observations in the master data assert _merge == 3 // Check that all obs have data from both master & using drop _merge sort resp c_set gen long obs = _n move obs resp gen C = (3576 missing values generated) forval i = 1/12 { 2 if `i' < 10 local zero "0" 3 else local zero "" 4 replace C = C`zero'`i' if (c_set == `i') 5 } (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) (298 real changes made) label var C "Valg" label val C Cfmt move C kvinde isid obs, sort // new, temporary unique id (data now sorted by obs) label var c_set "Valgsæt (1-12)" label var obs "Unik id (resp x valgsæt)" list obs resp skema c_set C P* I* in 1/48, sepby(resp) noobs nolabel 244

246 obs resp skema c_set C P1 P2 P3 P4 I1 I2 I3 I // Saving temp dataset with 1 obs per choice set // (this dataset is only used or tabulations & sumstats, _not_ analysis) save ${dsetprefix}_choiceset, replace (note: file data/data_choicesetdta not found) file data/data_choicesetdta saved *=========================================================================* // Merge done, but not finished yet // Now going from (12 x nresp) observations to (3 x 12 x nresp) observations *=========================================================================* drop C // dropped to avoid confusion, ie using this one instead of choice expand 3 (7152 observations created) sort obs by obs: gen byte alt = _n gen long cobs = _n label var alt "Valgalternativ (1,2,3)" 245

247 label var cobs "Unik id (resp x valgsæt x valgalternativ)" move cobs obs isid cobs, sort // final unique id for the observations in choice dataset (data now sorted by cobs) list cobs obs resp skema c_set alt P* /* I* */ in 1/36, sepby(c_set) noobs cobs obs resp skema c_set alt P1 P2 P3 P *=========================================================================* // Manually recode choicevars C01-C12 into new choicevar = choice *=========================================================================* gen byte choice = 0 label var choice "Valgt alternativ" forval i = 1/12 { 2 if `i' < 10 local zero "0" 3 else local zero "" 4 replace choice = 1 if (C`zero'`i' == 1) & (c_set == `i') & (alt == 1) 5 replace choice = 1 if (C`zero'`i' == 2) & (c_set == `i') & (alt == 2) 6 replace choice = 1 if (C`zero'`i' == 3) & (c_set == `i') & (alt == 3) 7 } (146 real changes made) <Some output omitted> 246

248 (72 real changes made) list cobs resp skema alt choice c_set C01-C06 /// > if resp==1 & c_set <= 6, sepby(c_set) noobs nolabel list cobs resp skema alt choice c_set C07-C12 /// > if resp==1 & c_set > 6, sepby(c_set) noobs nolabel *=========================================================================* // Manually recode attributes to fit new data layout *=========================================================================* // Before li c_set alt choice P* I* in 1/36, sepby (c_set) c_set alt choice P1 P2 P3 P4 I1 I2 I3 I * * // Pen = 1; Inhaler = 2; Status quo = 3 (in C01-C12) * * // Five new attributes coded, on the basis of the previous // 8 alternative specific attributes gen byte storrelse = (10728 missing values generated) replace storrelse = P1 if alt == 1 // (pen) (3576 real changes made) 247

249 replace storrelse = I1 if alt == 2 // (inhalator) storrelse was byte now int (3576 real changes made) replace storrelse = 0 if alt == 3 // (base) (3576 real changes made) gen byte dagbog = (10728 missing values generated) replace dagbog = P2 if alt == 1 // (pen) (3576 real changes made) replace dagbog = I2 if alt == 2 // (inhalator) (3576 real changes made) replace dagbog = 0 if alt == 3 // (base) (3576 real changes made) gen byte intmaal = (10728 missing values generated) replace intmaal = P3 if alt == 1 // (pen) (3576 real changes made) replace intmaal = 0 if alt == 2 // (inhalator) (3576 real changes made) replace intmaal = 0 if alt == 3 // (base) (3576 real changes made) gen byte hoste = (10728 missing values generated) replace hoste = 0 if alt == 1 // (pen) (3576 real changes made) replace hoste = I3 if alt == 2 // (inhalator) (3576 real changes made) replace hoste = 0 if alt == 3 // (base) (3576 real changes made) gen byte egenbet = (10728 missing values generated) replace egenbet = P4 if alt == 1 // (pen) egenbet was byte now int (3576 real changes made) replace egenbet = I4 if alt == 2 // (inhalator) (3576 real changes made) replace egenbet = 0 if alt == 3 // (base) (3576 real changes made) label var storrelse "Udstyrets størrelse (gram)" label var dagbog "Indbygget dagbogsfunktion" label var intmaal "Integreret blodsukkermåler (pen)" label var hoste "Hoste (inhalator)" label var egenbet "Egenbetaling, DKK/måned" // Dropping initial attributes from this dataset drop P1 P2 P3 P4 I1 I2 I3 I4 // After li c_set alt choice storrelse dagbog intmaal hoste egenbet /* > */ in 1/36, sepby (c_set) 248

250 c_set alt choice storre~e dagbog intmaal hoste egenbet *=========================================================================* // Create choice specific constants: inh (inhalator), base (base), pen (pen) *=========================================================================* gen byte pen = (alt == 1) gen byte inh = (alt == 2) gen byte base = (alt == 3) label var pen "Pen: valgspecifik konstant" label var inh "Inhalator: valgspecifik konstant" label var base "Basisalt: valgspecifik konstant" li c_set alt choice pen inh base in 1/12, sepby(c_set) noobs c_set alt choice pen inh base

251 *=========================================================================* // Creating interaction variables between attributes and chspecific cons *=========================================================================* gen byte stxpen = storrelse * pen gen byte dagxpen = dagbog * pen gen byte stxinh = storrelse * inh gen byte dagxinh = dagbog * inh label var stxpen "Interaktion: størrelse x pen" label var dagxpen "Interaktion: dagbog x pen" label var stxinh "Interaktion: størrelse x inhalator" label var dagxinh "Interaktion: dagbog x inhalator" *=========================================================================* // Creating effect coded dummies for størrelse *=========================================================================* // size dummy for pen gen byte pen50 = storrelse == 50 gen byte pen80 = storrelse == 80 replace pen50 = -1 if storrelse == 30 (1194 real changes made) replace pen80 = -1 if storrelse == 30 (1194 real changes made) replace pen50 = 0 if inlist(alt,2,3) // equal to 0 if alt = inh or base (0 real changes made) replace pen80 = 0 if inlist(alt,2,3) // equal to 0 if alt = inh or base (0 real changes made) label var pen50 "Pen 50 gram, effekt dummy" label var pen80 "Pen 80 gram, effekt dummy" // size dummy for inhaler gen byte inh200 = storrelse == 200 gen byte inh600 = storrelse == 600 replace inh200 = -1 if storrelse == 100 (1192 real changes made) replace inh600 = -1 if storrelse == 100 (1192 real changes made) replace inh200 = 0 if inlist(alt,1,3) // equal to 0 if alt = pen or base (0 real changes made) replace inh600 = 0 if inlist(alt,1,3) // equal to 0 if alt = pen or base (0 real changes made) label var inh200 "Inhalator 200 gram, effekt dummy" label var inh600 "Inhalator 600 gram, effekt dummy" li c_set alt choice storrelse pen50 pen80 inh200 inh600 in 1/36, sepby(c_set) noobs 250

252 c_set alt choice storre~e pen50 pen80 inh200 inh *=========================================================================* // Reordering the variables position in dataset, sorting etc *=========================================================================* order cobs obs resp stempelid skema c_set alt choice /* > */ storrelse dagbog intmaal hoste egenbet pen inh base /* > */ stxpen dagxpen stxinh dagxinh /* > */ pen50 pen80 inh200 inh600 isid cobs, sort (data already sorted by cobs) 251

253 describe cobs-inh600 storage display value variable name type format label variable label - cobs long %120g Unik id (resp x valgsæt x valgalternativ) obs long %120g Unik id (resp x valgsæt) resp int %80g Respondent-nummer stempelid int %80g skema byte %80g Spørgeskema-version c_set byte %80g Valgsæt (1-12) alt byte %80g Valgalternativ (1,2,3) choice byte %80g Valgt alternativ storrelse int %80g Udstyrets størrelse (gram) dagbog byte %80g Indbygget dagbogsfunktion intmaal byte %80g Integreret blodsukkermåler (pen) hoste byte %80g Hoste (inhalator) egenbet int %80g Egenbetaling, DKK/måned pen byte %80g Pen: valgspecifik konstant inh byte %80g Inhalator: valgspecifik konstant base byte %80g Basisalt: valgspecifik konstant stxpen byte %80g Interaktion: størrelse x pen dagxpen byte %80g Interaktion: dagbog x pen stxinh byte %80g Interaktion: størrelse x inhalator dagxinh byte %80g Interaktion: dagbog x inhalator pen50 byte %80g Pen 50 gram, effekt dummy pen80 byte %80g Pen 80 gram, effekt dummy inh200 byte %80g Inhalator 200 gram, effekt dummy inh600 byte %80g Inhalator 600 gram, effekt dummy ds cobs pen50 motion syg3 kendand C10 obs pen80 type1 syg4 inhal C11 resp inh200 type2 syg5 inhal_str C12 stempelid inh600 diagnose syg6 valg1 diff skema kvinde DE syg7 valg2 prob c_set faar OAD syg8 valg3 pcard1 alt alder insulin syg_str rateatt1 pcard1_min~0 choice gift typexinsulin gener_str rateatt2 pcard1_0 storrelse udd glucose injekt rateatt3 pcard1_str dagbog vudd udstyr aarsag rateatt4 pcard2 intmaal uddaar udstyr_str aarsag_str rateatt5 pcard2_min~0 hoste arbejde ipen udgift C01 pcard2_0 egenbet besk idosem udgift0 C02 pcard2_str pen arbtid idosef udgifttot C03 rygning inh fysisk idosea udgifttot0 C04 rygkvit base erfa idosen danmark C05 misc stxpen indkomst idose tilskud C06 onec dagxpen fritid_str1 syg0 kendskab C07 twoc stxinh fritid_str2 syg1 kendfam C08 threec dagxinh fritid_str3 syg2 kendven C09 *=========================================================================* // Saving choice dataset Data is ready for analysis *=========================================================================* save ${dsetprefix}_choicealt, replace (note: file data/data_choicealtdta not found) file data/data_choicealtdta saved // Data is ready for analysis!! 252

254 Bilag B7 Stata programkode, master * * /* * analyzedo version 20-19dec kjaerhansen@mseconeu - Removed programs specific for pilot survey * analyzedo version 10-08nov kjaerhansen@mseconeu - Analysis for Master Thesis, Winter 2005/2006, "Diabetikeres præferencer for udstyr til administration af insulin: Et discrete choice experiment" Master file, collecting the do-files used for analysis */ *=========================================================================* // Setting overall behaviour of Stata *=========================================================================* clear set more off version 92 * * // Change lsize if you want log output with another line length global lsize 90 * * // Leave textlog empty (""), if you want log in smcl format global textlog "text" * * // Set the prefix for all data sets // data = real data; pilotdata = data from pilot; testdata = fictive data global dsetprefix "data/data" * * set linesize $lsize // line length set dp comma // use comma as decimal point where possible * * capture noisily mkdir Data // Creating output Data capture noisily mkdir Output // Creating output subfolder capture noisily mkdir Logs // Creating logs subfolder capture noisily mkdir Graphs // Creating Graphs subfolder *=========================================================================* // Pre-processing * * do 01install_programs // Checking/installing user-written programs do 02create_fictive_data // Create fictive analysis dataset *=========================================================================* // FINAL STUDY: Preparing data, labels recoding, creating analysis datasets * * do 11import_data // Import analysis dataset (real data) do 12prepare_data // Label and recode data do 13prepare_panelsetup // Create analysis dataset (in long format) *=========================================================================* // Descriptive statistics, simple testing etc * * do 21codebook // Just for an overview: DO NOT PRINT! do 22sumstat // Simple, descriptive statistics do 23plot_resp // Frequency plots, individual specific vars do 24tab_resp // Frequency tables, individual specific vars do 25tab_choice // Frequency tables, choice specific vars do 26tab_appendix // Frequency tables for appendix do 27attributes // Table of attribute combinations do 28listdata // Listing obs from analysis dataset's 253

255 *=========================================================================* // Estimating and outputting models and WTP, hypothesis testing etc * * // SECTION 56 *do 31est_standard // Estimating standard models, clogit & nlcom // THIS ONE IS NOT USED USING ALT INSTEAD do 32est_standard_alt // Estimating standard models, clogit & nlcom // also for subgroups pen & inh constant do 32out_standard_alt // Output from the above models do 33est_standard_interact // Estimating interaction models, clogit & nlcom do 33out_standard_interact // Output from the above models * * // SECTION 57 do 34est_wtp_pen_inh // wtp estimates for pen/inh as a whole do 34out_wtp_pen_inh // Output from the above models * * // SECTION 59 do 35est_clogithet // Estimating selected models, using -clogithetdo 35out_clogithet // Output from -clogithet- * * // SECTION 58 do 36est_CV_market // Analysis of: Compensating variation (CV) & do 36out_CV_market // market shares in a hypothetical market * * // SECTION 573 do 37est_graphs // Estimates graph: implicit hypothesis testing * * exit 254

256 Bilag C: Deskriptiv statistik 255

257 Bilag C1 Frekvenstabeller for udvalgte kategoriske variable -> tabulation of skema Spørgeskema -version Freq Percent Cum ,90 34, ,21 67, ,89 100, Total ,00 -> tabulation of kvinde Kvinde = 1; 0 ellers Freq Percent Cum Mand ,29 43,29 Kvinde ,71 100, Total ,00 -> tabulation of gift Gift/samboende = 1 Freq Percent Cum Ikke gift/samboende ,56 33,56 Gift/samboende ,44 100, Total ,00 -> tabulation of udd Uddannelse, senest afsluttede Freq Percent Cum Grundskole 66 22,15 22,15 Gymnasial eller erhvervsfaglig uddannel 81 27,18 49,33 Kort videregående uddannelse 58 19,46 68,79 Mellemlang videregående uddannelse 71 23,83 92,62 Lang videregående uddannelse 21 7,05 99,66 Ubesvaret 1 0,34 100, Total ,00 -> tabulation of arbejde Tilknytning til arbejdsmarkedet Freq Percent Cum I beskæftigelse ,31 46,31 Ledig 21 7,05 53,36 Studerende 18 6,04 59,40 Pensionist 98 32,89 92,28 Udenfor arbejdsmarkedet i øvrigt 23 7,72 100, Total ,00 -> tabulation of fysisk Hårdt fysisk arbejde(?) Freq Percent Cum Nej 97 32,55 32,55 Ja 39 13,09 45,64 Irrelevant ,69 99,33 Ubesvaret 2 0,67 100, Total ,00 256

258 -> tabulation of indkomst Årlig husstandsindkomst, brutto Freq Percent Cum kr 48 16,11 16, kr 49 16,44 32, kr 62 20,81 53, kr 57 19,13 72, kr 33 11,07 83, kr 18 6,04 89, kr 19 6,38 95, kr og derover 4 1,34 97,32 Ubesvaret 8 2,68 100, Total ,00 -> tabulation of typexinsulin Gruppe: diabetestype x insulin Freq Percent Cum Type 1 diabetes Insulin ,23 34,23 Type 2 diabetes Ikke insulin ,97 79,19 Type 2 diabetes Insulin 62 20,81 100, Total ,00 -> tabulation of glucose Antal blodsukkerm ålinger de sidste 7 dage (gns) Freq Percent Cum ,48 21, ,52 48, ,76 62, ,08 74, ,41 86, ,70 90, ,03 94, ,68 97, ,34 98, ,67 99,66 Ubesvaret 1 0,34 100, Total ,00 -> tabulation of udstyr Type udstyr Freq Percent Cum Engangs-pen ,60 39,60 Flergangs-pen 26 8,72 48,32 Engangs- og Flergangspen 15 5,03 53,36 Pumpe 1 0,34 53,69 Andet 4 1,34 55,03 Irrelevant ,63 99,66 Ubesvaret 1 0,34 100, Total ,00 -> tabulation of udstyr_str Hvis andet udstyr: hvilket? Freq Percent Cum ,97 94,97 Både engangs og flergangs pen 1 0,34 95,30 Flex-pen som holder ca 1 uge 1 0,34 95,64 Flexpen 3 1,01 96,64 Flexpen - insulatard 1 0,34 96,98 Flexpen - skifter kanylen hver gang jeg 1 0,34 97,32 Flexpen insulatard 1 0,34 97,65 Insulatard 1 0,34 97,99 Insulatard flexpen 2 0,67 98,66 Insulinpen 1 0,34 98,99 Insulinpen novorapid 1 0,34 99,33 Novomix 30 Flexpen (insulinpen) 1 0,34 99,66 Pen med udskiftelig engangsnål 1 0,34 100, Total ,00 257

259 -> tabulation of injekt Forbehold ved injektion = 1 Freq Percent Cum Nej ,47 70,47 Ja 57 19,13 89,60 Ubesvaret 31 10,40 100, Total ,00 -> tabulation of aarsag Årsag til forbehold, hvis forbehold Freq Percent Cum Angst for nåle/for at skulle stikke sig 24 8,05 8,05 Bekymret for blå mærker 4 1,34 9,40 Social stigmatisering 15 5,03 14,43 Andet 20 6,71 21,14 Irrelevant ,47 91,61 Ubesvaret 25 8,39 100, Total ,00 -> tabulation of kendskab Forhåndskendskab til diabetes? Freq Percent Cum Intet kendskab 62 20,81 20,81 Lidt kendskab ,29 64,09 Godt kendskab 65 21,81 85,91 Meget godt kendskab 37 12,42 98,32 Ved ikke 3 1,01 99,33 Ubesvaret 2 0,67 100, Total ,00 -> tabulation of inhal Kendskab til inhaleret insulin = 1 Freq Percent Cum Nej ,46 69,46 Ja 89 29,87 99,33 Ubesvaret 2 0,67 100, Total ,00 -> tabulation of rateatt1 Mindre størrelse på apparatet, rangordning: 1 = vigtigst til 5 Freq Percent Cum den vigtigste egenskab 61 20,47 20,47 den næstvigtigste egenskab 48 16,11 36,58 den tredie vigtigste egenskab 48 16,11 52,68 næstmindst vigtige egenskab 45 15,10 67,79 den mindst vigtige egenskab 38 12,75 80,54 Ubesvaret 58 19,46 100, Total ,00 258

260 -> tabulation of rateatt2 Indbygget dagbogsfunktion, rangordning: 1 = vigtigst til 5 Freq Percent Cum den vigtigste egenskab 9 3,02 3,02 den næstvigtigste egenskab 47 15,77 18,79 den tredie vigtigste egenskab 59 19,80 38,59 næstmindst vigtige egenskab 65 21,81 60,40 den mindst vigtige egenskab 60 20,13 80,54 Ubesvaret 58 19,46 100, Total ,00 -> tabulation of rateatt3 Integreret blodsukkermåler, rangordning: 1 = vigtigst til 5 Freq Percent Cum den vigtigste egenskab 64 21,48 21,48 den næstvigtigste egenskab 65 21,81 43,29 den tredie vigtigste egenskab 48 16,11 59,40 næstmindst vigtige egenskab 44 14,77 74,16 den mindst vigtige egenskab 19 6,38 80,54 Ubesvaret 58 19,46 100, Total ,00 -> tabulation of rateatt4 Ingen hoste, rangordning: 1 = vigtigst til 5 Freq Percent Cum den vigtigste egenskab 27 9,06 9,06 den næstvigtigste egenskab 34 11,41 20,47 den tredie vigtigste egenskab 53 17,79 38,26 næstmindst vigtige egenskab 43 14,43 52,68 den mindst vigtige egenskab 83 27,85 80,54 Ubesvaret 58 19,46 100, Total ,00 -> tabulation of rateatt5 Mindre egenbetaling, rangordning: 1 = vigtigst til 5 Freq Percent Cum den vigtigste egenskab 79 26,51 26,51 den næstvigtigste egenskab 46 15,44 41,95 den tredie vigtigste egenskab 32 10,74 52,68 næstmindst vigtige egenskab 43 14,43 67,11 den mindst vigtige egenskab 40 13,42 80,54 Ubesvaret 58 19,46 100, Total ,00 -> tabulation of diff Sværhedsgra d af valgspm, meget let (1) til meget svært (10) Freq Percent Cum ,45 17, ,76 31, ,11 48, ,40 57, ,09 70, ,40 80, ,73 89, ,71 96, ,34 97, ,01 100, Total ,00 259

261 -> tabulation of prob Konfidensgr ad ved valgspm, meget usikker (1) til meget sikker (10) Freq Percent Cum ,02 3, ,34 4, ,69 8, ,04 14, ,72 21, ,38 28, ,75 40, ,13 60, ,83 84, ,10 100, Total ,00 -> tabulation of pcard1 Payment Card 1: betaling for inhalator, DKK Freq Percent Cum ,29 43, ,74 54, ,45 71, ,77 87, ,73 96, ,34 98, ,34 98,66 Ubesvaret 4 1,34 100, Total ,00 -> tabulation of pcard1_0 Payment Card 1: Hvis 0 kr, hvorfor? Freq Percent Cum God tilfreds med min pen/pumpe 41 13,76 13,76 Ikke tryg ved at bruge inhalator 26 8,72 22,48 Andet 30 10,07 32,55 God tilf m/pen + ikke tryg v/inh 13 4,36 36,91 God tilf m/pen + Andet 7 2,35 39,26 Ikke tryg v/inh + Andet 5 1,68 40,94 Godt tilf + Ikke tryg + Andet 6 2,01 42,95 Irrelevant ,71 99,66 Ubesvaret 1 0,34 100, Total ,00 -> tabulation of pcard2 Payment Card 2: betaling for inhalator, DKK Freq Percent Cum ,95 41, ,07 53, ,43 67, ,45 84, ,07 94, ,36 98, ,34 98,66 Ubesvaret 4 1,34 100, Total ,00 260

262 -> tabulation of pcard2_0 Payment Card 2: Hvis 0 kr, hvorfor? Freq Percent Cum God tilfreds med min pen/pumpe 44 14,77 14,77 Ikke tryg ved at bruge inhalator 28 9,40 24,16 Andet 28 9,40 33,56 God tilf m/pen + ikke tryg v/inh 12 4,03 37,58 God tilf m/pen + Andet 2 0,67 38,26 Ikke tryg v/inh + Andet 3 1,01 39,26 Godt tilf + Ikke tryg + Andet 5 1,68 40,94 Irrelevant ,05 98,99 Ubesvaret 3 1,01 100, Total ,00 -> tabulation of rygning Rygning = 1; 0 ellers Freq Percent Cum Nej ,77 64,77 Ja ,90 99,66 Ubesvaret 1 0,34 100, Total ,00 -> tabulation of rygkvit Kvitte rygning for at bruge inhalator(? ) Freq Percent Cum Nej 30 10,07 10,07 Ja 37 12,42 22,48 Ved ikke 37 12,42 34,90 Irrelevant ,77 99,66 Ubesvaret 1 0,34 100, Total ,00 261

263 Bilag C2 Test af repræsentativitet * * /* > *! 24tab_respdo version 10-09nov kjaerhansen@mseconeu > - Frequency tables, individual specific vars > - Representativity tests, using -tabi-, for section 53 > */ * * // Using resp data use ${dsetprefix}_resp preserve <Some output omitted> * * // Test of representativity // Creating aldercat: categorical variable for intervals of alder // (for section 53) egen int aldercat = cut(alder), at(0(10)80) tab aldercat, missing <Some output omitted> tab aldercat kvinde, missing cell Key frequency cell percentage Kvinde = 1; 0 ellers aldercat Mand Kvinde Total ,34 0,67 1, ,35 5,70 8, ,36 9,06 12, ,40 15,44 24, ,07 19,46 30, ,09 5,70 19, ,68 0,67 3, Total ,29 56,71 100,00 262

264 // gender (kvinde) versus Danmarks Statistik tabi \ , all col exact Key frequency column percentage col row 1 2 Total ,51 56,71 50, ,49 43,29 49, Total ,00 100,00 100,00 Pearson chi2(1) = 4,5788 Pr = 0,032 likelihood-ratio chi2(1) = 4,5946 Pr = 0,032 Cramér's V = -0,0009 gamma = -0,1241 ASE = 0,058 Kendall's tau-b = -0,0009 ASE = 0,000 Fisher's exact = 0,037 1-sided Fisher's exact = 0,019 // gender (kvinde) versus Sundhedsstyrelsen (2006a) tabi \ , all col exact Key frequency column percentage col row 1 2 Total ,14 56,71 49, ,86 43,29 50, Total ,00 100,00 100,00 Pearson chi2(1) = 6,8317 Pr = 0,009 likelihood-ratio chi2(1) = 6,8461 Pr = 0,009 Cramér's V = -0,0058 gamma = -0,1511 ASE = 0,057 Kendall's tau-b = -0,0058 ASE = 0,002 Fisher's exact = 0,009 1-sided Fisher's exact = 0,005 // age (alder) versus Sundhedsstyrelsen (2006a): men (kvinde = 0) tabi \ \ \ \ \ /* > */ \ \ , all col Key frequency column percentage col row 1 2 Total ,18 0,78 1,

265 1,87 5,43 1, ,59 7,75 4, ,50 21,71 10, ,51 25,58 21, ,44 32,56 29, ,23 6,20 21, ,69 0,00 9, Total ,00 100,00 100,00 Pearson chi2(7) = 54,7212 Pr = 0,000 likelihood-ratio chi2(7) = 65,3930 Pr = 0,000 Cramér's V = 0,0229 gamma = -0,4114 ASE = 0,045 Kendall's tau-b = -0,0185 ASE = 0,002 // age (alder) versus Sundhedsstyrelsen (2006a): women (kvinde = 1) tabi \ \ \ \ \ /* > */ \ \ , all col Key frequency column percentage col row 1 2 Total ,07 1,18 1, ,29 10,06 2, ,62 15,98 6, ,59 27,22 9, ,96 34,32 15, ,21 10,06 23, ,93 1,18 22, ,32 0,00 18, Total ,00 100,00 100,00 Pearson chi2(7) = 234,8970 Pr = 0,000 likelihood-ratio chi2(7) = 242,3533 Pr = 0,000 Cramér's V = 0,0482 gamma = -0,6739 ASE = 0,021 Kendall's tau-b = -0,0378 ASE = 0,

266 // age (alder) versus Sundhedsstyrelsen (2006a): all resp tabi \ \ \ \ \ /* > */ \ \ , all col Key frequency column percentage col row 1 2 Total ,13 1,01 1, ,08 8,05 2, ,58 12,42 5, ,05 24,83 10, ,78 30,54 18, ,38 19,80 26, ,06 3,36 22, ,93 0,00 13, Total ,00 100,00 100,00 Pearson chi2(7) = 255,8789 Pr = 0,000 likelihood-ratio chi2(7) = 273,8653 Pr = 0,000 Cramér's V = 0,0353 gamma = -0,5756 ASE = 0,022 Kendall's tau-b = -0,0291 ASE = 0,002 * * 265

267 Bilag D: Estimations-output 266

268 Bilag D1 Estimations-output fra standardmodellerne log: D:\Oecon\Speciale\Analyze\logs/32est_standard_altlog log type: text opened on: 30 Jan 2007, 15:29:30 * * /* > *! 32est_standard_altdo version 10-16dec kjaerhansen@mseconeu > - Estimating standard models, clogit & wtp (SECTION 56) > also for subgroups > - pen & inh constant > - Models estimated: A01-A05, AX01-AX03 (clogit) > WA01-WA05, WAX01-WAX03 (nlcom, wtp) > */ * * // Using resp data use ${dsetprefix}_resp <Some output omitted> * * // Using choice data use ${dsetprefix}_choicealt describe choice storrelse dagbog intmaal hoste egenbet pen inh base /// > stxpen dagxpen stxinh dagxinh storage display value variable name type format label variable label - choice byte %80g Valgt alternativ storrelse int %80g Udstyrets størrelse (gram) dagbog byte %80g Indbygget dagbogsfunktion intmaal byte %80g Integreret blodsukkermåler (pen) hoste byte %80g Hoste (inhalator) egenbet int %80g Egenbetaling, DKK/måned pen byte %80g Pen: valgspecifik konstant inh byte %80g Inhalator: valgspecifik konstant base byte %80g Basisalt: valgspecifik konstant stxpen byte %80g Interaktion: størrelse x pen dagxpen byte %80g Interaktion: dagbog x pen stxinh byte %80g Interaktion: størrelse x inhalator dagxinh byte %80g Interaktion: dagbog x inhalator // (remember: disutility assumed for storrelse and hoste) *=========================================================================* // ESTIMATING STANDARD MODELS WITH ALTERNATIVE CONS *=========================================================================* * * // Model A01, standard model * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -3082,3769 Iteration 1: log pseudolikelihood = -2947,1348 Iteration 2: log pseudolikelihood = -2943,374 Iteration 3: log pseudolikelihood = -2943,3699 Iteration 4: log pseudolikelihood = -2943,3699 Conditional (fixed-effects) logistic regression Number of obs = Wald chi2(7) = 550,48 Prob > chi2 = 0,0000 Log pseudolikelihood = -2943,3699 Pseudo R2 = 0,2508 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,27 0,000 -, , dagbog, , ,70 0,090 -,005073, intmaal, , ,02 0,000, ,

269 hoste -, , ,35 0,000 -, , egenbet -, , ,13 0,000 -, , pen 2,344801, ,77 0,000 2, , inh 1,508184, ,56 0,000 1, , estimates store A01 scalar A01cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model A02, standard model, type 1 * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if type1 == 1, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1024,0156 Iteration 1: log pseudolikelihood = -978,50233 Iteration 2: log pseudolikelihood = -977,3005 Iteration 3: log pseudolikelihood = -977,29898 Iteration 4: log pseudolikelihood = -977,29898 Conditional (fixed-effects) logistic regression Number of obs = 3672 Wald chi2(7) = 248,41 Prob > chi2 = 0,0000 Log pseudolikelihood = -977,29898 Pseudo R2 = 0,2732 (Std Err adjusted for 102 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,14 0,000 -, , dagbog, , ,52 0,600 -, , intmaal, , ,60 0,000, , hoste -, , ,32 0,001 -, , egenbet -, , ,20 0,000 -, , pen 2,542386, ,70 0,000 2, , inh 1,907501, ,84 0,000 1, , estimates store A02 scalar A02cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model A03, standard model, type 2 * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if type1 == 0, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -2048,6868 Iteration 1: log pseudolikelihood = -1959,2362 Iteration 2: log pseudolikelihood = -1956,6638 Iteration 3: log pseudolikelihood = -1956,661 Iteration 4: log pseudolikelihood = -1956,661 Conditional (fixed-effects) logistic regression Number of obs = 7056 Wald chi2(7) = 325,30 Prob > chi2 = 0,0000 Log pseudolikelihood = -1956,661 Pseudo R2 = 0,2428 (Std Err adjusted for 196 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,13 0,033 -, , dagbog, , ,81 0,071 -, , intmaal, , ,66 0,008,025801, hoste -,170496, ,15 0,000 -, , egenbet -, , ,76 0,000 -, , pen 2,255119, ,05 0,000 1, ,59372 inh 1,306985, ,84 0,000, , estimates store A03 268

270 scalar A03cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model A04, standard model, type 2, ikke-insulin * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if typexinsulin == 2, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1415,8502 Iteration 1: log pseudolikelihood = -1371,2177 Iteration 2: log pseudolikelihood = -1370,5454 Iteration 3: log pseudolikelihood = -1370,5451 Iteration 4: log pseudolikelihood = -1370,5451 Conditional (fixed-effects) logistic regression Number of obs = 4824 Wald chi2(7) = 214,65 Prob > chi2 = 0,0000 Log pseudolikelihood = -1370,5451 Pseudo R2 = 0,2242 (Std Err adjusted for 134 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,55 0,011 -, , dagbog,054587, ,90 0,057 -, , intmaal, , ,06 0,002, , hoste -, , ,66 0,000 -, , egenbet -, , ,25 0,000 -, , pen 2,132625, ,25 0,000 1, , inh 1,376286, ,97 0,000, ,8279 estimates store A04 scalar A04cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model A05, standard model, type 2, insulin * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if typexinsulin == 3, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -617,28711 Iteration 1: log pseudolikelihood = -573,033 Iteration 2: log pseudolikelihood = -567,43707 Iteration 3: log pseudolikelihood = -567,42819 Iteration 4: log pseudolikelihood = -567,42819 Conditional (fixed-effects) logistic regression Number of obs = 2232 Wald chi2(7) = 123,32 Prob > chi2 = 0,0000 Log pseudolikelihood = -567,42819 Pseudo R2 = 0,3058 (Std Err adjusted for 62 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse 9,60e-06, ,02 0,980 -,000744, dagbog, , ,37 0,711 -, , intmaal, , ,45 0,650 -, , hoste -, , ,10 0,036 -, , egenbet -,001709, ,69 0,000 -, , pen 2,581232, ,22 0,000 1, , inh 1,195606, ,38 0,001, , estimates store A05 scalar A05cluster = e(n_clust) // Scalars extracted from -clogit- model *=========================================================================* // ESTIMATING MODELS WITH STRONG PREF EXCLUDED, WITH ALTERNATIVE CONS *=========================================================================* 269

271 * * // Model AX01, model, strong pref for alt excluded * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if onec < 12 & twoc < 12 & threec < 12 /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -2191,6961 Iteration 1: log pseudolikelihood = -2138,7442 Iteration 2: log pseudolikelihood = -2138,2264 Iteration 3: log pseudolikelihood = -2138,2262 Iteration 4: log pseudolikelihood = -2138,2262 Conditional (fixed-effects) logistic regression Number of obs = 8244 Wald chi2(7) = 612,99 Prob > chi2 = 0,0000 Log pseudolikelihood = -2138,2262 Pseudo R2 = 0,2917 (Std Err adjusted for 229 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,35 0,000 -, , dagbog, , ,54 0,125 -, , intmaal, , ,99 0,000, , hoste -, , ,87 0,000 -, , egenbet -, , ,44 0,000 -, , pen 2,525983, ,34 0,000 2, , inh 1,989111, ,80 0,000 1, , estimates store AX01 scalar AX01cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model AX02, model, strong pref for alt excluded, type 1 * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if (onec < 12 & twoc < 12 & threec < 12) & type1 == 1 /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -793,70335 Iteration 1: log pseudolikelihood = -772,32124 Iteration 2: log pseudolikelihood = -772,10117 Iteration 3: log pseudolikelihood = -772,10108 Iteration 4: log pseudolikelihood = -772,10108 Conditional (fixed-effects) logistic regression Number of obs = 2988 Wald chi2(7) = 262,45 Prob > chi2 = 0,0000 Log pseudolikelihood = -772,10108 Pseudo R2 = 0,2944 (Std Err adjusted for 83 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -,001771, ,30 0,000 -, , dagbog, , ,66 0,509 -, , intmaal, , ,35 0,000, , hoste -, , ,07 0,002 -, , egenbet -,002591, ,38 0,000 -, , pen 2,606567, ,23 0,000 2, , inh 2,283931, ,19 0,000 1, , estimates store AX02 scalar AX02cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model AX03, model, strong pref for alt excluded, type 2 * * clogit choice storrelse dagbog intmaal hoste egenbet pen inh /// > if (onec < 12 & twoc < 12 & threec < 12) & type1 == 0 /// >, group(obs) cluster(resp) 270

272 Iteration 0: log pseudolikelihood = -1386,6242 Iteration 1: log pseudolikelihood = -1355,0387 Iteration 2: log pseudolikelihood = -1354,7215 Iteration 3: log pseudolikelihood = -1354,7214 Iteration 4: log pseudolikelihood = -1354,7214 Conditional (fixed-effects) logistic regression Number of obs = 5256 Wald chi2(7) = 373,85 Prob > chi2 = 0,0000 Log pseudolikelihood = -1354,7214 Pseudo R2 = 0,2962 (Std Err adjusted for 146 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,11 0,035 -, , dagbog, , ,46 0,144 -, , intmaal, , ,75 0,006, , hoste -, , ,76 0,000 -, , egenbet -, , ,66 0,000 -,0034 -, pen 2,502368, ,82 0,000 2, , inh 1,831888, ,12 0,000 1, , estimates store AX03 scalar AX03cluster = e(n_clust) // Scalars extracted from -clogit- model *=========================================================================* // ESTIMATING WTP FOR STANDARD MODELS WITH ALTERNATIVE CONS *=========================================================================* * * // WTP estimates for model A01 * * estimates restore A01 (results A01 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -41, , ,16 0,000-61, ,12749 db 34, , ,69 0,092-5, ,53288 blod 181, , ,85 0, , ,4014 host -185, , ,05 0, , ,8238 inh 807, , ,16 0, , ,8732 pen 1254,857 77, ,27 0, , ,992 estimates store WA01 estadd scalar N_clust = A01cluster : WA01 * * // WTP estimates for model A02 * * estimates restore A02 (results A02 are active now) 271

273 nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -74, , ,99 0, , ,82142 db 20, , ,52 0,600-55, ,68627 blod 326, ,0432 4,18 0, , ,3427 host -187, , ,06 0, , ,47168 inh 994, ,4837 7,18 0, , ,305 pen 1326, ,429 10,17 0, , ,65 estimates store WA02 estadd scalar N_clust = A02cluster : WA02 * * // WTP estimates for model A03 * * estimates restore A03 (results A03 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -24, , ,10 0,036-46, , db 43, , ,79 0,073-4, ,326 blod 105, ,2395 2,63 0,008 27, ,8058 host -184, , ,97 0, , ,10412 inh 705, , ,29 0, , ,1556 pen 1217,236 95, ,77 0, , ,009 estimates store WA03 estadd scalar N_clust = A03cluster : WA03 * * // WTP estimates for model A04 * * estimates restore A04 (results A04 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// 272

274 > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -32, , ,51 0,012-57, , db 55, , ,89 0,058-1, ,4234 blod 143, , ,99 0,003 49, ,6236 host -194, , ,51 0, , ,05733 inh 702, ,6812 6,65 0, , ,7298 pen 1088, , ,28 0, , ,211 estimates store WA04 estadd scalar N_clust = A04cluster : WA04 * * // WTP estimates for model A05 * * estimates restore A05 (results A05 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size, , ,02 0,980-43, ,62611 db 14, , ,37 0,714-64, ,97773 blod 32, , ,46 0, , ,728 host -144, , ,95 0, ,7909, inh 699, ,1408 3,24 0, , ,225 pen 1510, ,9082 7,41 0, , ,033 estimates store WA05 estadd scalar N_clust = A05cluster : WA05 *=========================================================================* // ESTIMATING WTP FOR MODELS WITH STRONG PREF EXCLUDED, WITH ALTERNATIVE CONS *=========================================================================* * * // WTP estimates for model AX01 * * estimates restore AX01 (results AX01 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// 273

275 > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -36, , ,08 0,000-53, ,88059 db 26, , ,54 0,125-7, ,87626 blod 150,979 32, ,65 0,000 87, ,5588 host -141, , ,61 0, , ,15705 inh 700, , ,54 0, , ,5772 pen 889, , ,30 0, , ,9731 estimates store WAX01 estadd scalar N_clust = AX01cluster : WAX01 * * // WTP estimates for model AX02 * * estimates restore AX02 (results AX02 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -68, , ,91 0, , ,05524 db 22, , ,66 0,507-44, ,56354 blod 281, , ,78 0, , ,9862 host -156,12 54,7504-2,85 0, , ,81115 inh 881, ,0249 7,60 0, , ,908 pen 1006,027 91, ,03 0, , ,773 estimates store WAX02 estadd scalar N_clust = AX02cluster : WAX02 * * // WTP estimates for model AX03 * * estimates restore AX03 (results AX03 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post 274

276 size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -19, , ,03 0,043-38, , db 27, , ,46 0,145-9, ,41034 blod 84, , ,69 0,007 22, ,8607 host -132, , ,59 0, , ,24804 inh 606, , ,72 0, , ,4645 pen 828, , ,66 0, , ,7918 estimates store WAX03 estadd scalar N_clust = AX03cluster : WAX03 drop _all log close log: D:\Oecon\Speciale\Analyze\logs/32est_standard_altlog log type: text closed on: 30 Jan 2007, 15:29:

277 Bilag D2 Estimations-output fra status-quo modellen log: D:\Oecon\Speciale\Analyze\logs/33est_standard_interactlog log type: text opened on: 30 Jan 2007, 15:29:47 * * /* > *! 33est_standard_interactdo version 10-16dec kjaerhansen@mseconeu > - Estimating interaction models, clogit & nlcom (SECTION 571) > - Models estimated: SQ01-SQ04 & WSQ01-WSQ04 > */ * * // Using choice data use ${dsetprefix}_choicealt describe choice storrelse dagbog intmaal hoste egenbet pen inh base /// > stxpen dagxpen stxinh dagxinh pen?? inh??? storage display value variable name type format label variable label - choice byte %80g Valgt alternativ storrelse int %80g Udstyrets størrelse (gram) dagbog byte %80g Indbygget dagbogsfunktion intmaal byte %80g Integreret blodsukkermåler (pen) hoste byte %80g Hoste (inhalator) egenbet int %80g Egenbetaling, DKK/måned pen byte %80g Pen: valgspecifik konstant inh byte %80g Inhalator: valgspecifik konstant base byte %80g Basisalt: valgspecifik konstant stxpen byte %80g Interaktion: størrelse x pen dagxpen byte %80g Interaktion: dagbog x pen stxinh byte %80g Interaktion: størrelse x inhalator dagxinh byte %80g Interaktion: dagbog x inhalator pen50 byte %80g Pen 50 gram, effekt dummy pen80 byte %80g Pen 80 gram, effekt dummy inh200 byte %80g Inhalator 200 gram, effekt dummy inh600 byte %80g Inhalator 600 gram, effekt dummy // (remember: disutility assumed for storrelse and hoste) *=========================================================================* // Estimating models *=========================================================================* * * // Model SQ01 - calculation of status quo for current pen-users (sec 571) * * clogit choice storrelse stxpen dagbog intmaal hoste egenbet pen inh /// > if ipen == 1 /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1603,0715 Iteration 1: log pseudolikelihood = -1522,6522 Iteration 2: log pseudolikelihood = -1519,267 Iteration 3: log pseudolikelihood = -1519,259 Iteration 4: log pseudolikelihood = -1519,259 Conditional (fixed-effects) logistic regression Number of obs = 5724 Wald chi2(8) = 349,54 Prob > chi2 = 0,0000 Log pseudolikelihood = -1519,259 Pseudo R2 = 0,2752 (Std Err adjusted for 159 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,26 0,001 -, , stxpen -, , ,45 0,001 -, , dagbog, , ,39 0,699 -, , intmaal, , ,18 0,000,11386, hoste -, , ,98 0,000 -, , egenbet -,001829, ,86 0,000 -, , pen 2,973707, ,09 0,000 2, , inh 1,598149, ,26 0,000 1, ,

278 estimates store SQ01 scalar SQ01cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model SQ02 - calculation of status quo for current type1 pen-users * * clogit choice storrelse stxpen dagbog intmaal hoste egenbet pen inh /// > if ipen == 1 & type1 == 1 /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1001,9852 Iteration 1: log pseudolikelihood = -960,04189 Iteration 2: log pseudolikelihood = -958,9263 Iteration 3: log pseudolikelihood = -958,92483 Iteration 4: log pseudolikelihood = -958,92483 Conditional (fixed-effects) logistic regression Number of obs = 3600 Wald chi2(8) = 240,84 Prob > chi2 = 0,0000 Log pseudolikelihood = -958,92483 Pseudo R2 = 0,2726 (Std Err adjusted for 100 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,02 0,000 -, , stxpen -,004732, ,45 0,148 -, , dagbog, , ,47 0,638 -, , intmaal, , ,43 0,000, , hoste -, , ,36 0,001 -, , egenbet -, , ,16 0,000 -, , pen 2,79383, ,97 0,000 2, , inh 1,916891, ,77 0,000 1, , estimates store SQ02 scalar SQ02cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model SQ03 - calculation of status quo for current type2 pen-users * * clogit choice storrelse stxpen dagbog intmaal hoste egenbet pen inh /// > if ipen == 1 & type1 == 0 /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -586,68183 Iteration 1: log pseudolikelihood = -549,3279 Iteration 2: log pseudolikelihood = -545,55428 Iteration 3: log pseudolikelihood = -545,54761 Iteration 4: log pseudolikelihood = -545,54761 Conditional (fixed-effects) logistic regression Number of obs = 2124 Wald chi2(8) = 109,50 Prob > chi2 = 0,0000 Log pseudolikelihood = -545,54761 Pseudo R2 = 0,2986 (Std Err adjusted for 59 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse, , ,21 0,834 -, , stxpen -, , ,78 0,000 -, , dagbog,005861, ,15 0,879 -, , intmaal,075935, ,06 0,291 -, , hoste -, , ,32 0,020 -,2652 -, egenbet -, , ,63 0,000 -, , pen 3,299912, ,28 0,000 2, , inh 1,035449, ,88 0,004, , estimates store SQ03 scalar SQ03cluster = e(n_clust) // Scalars extracted from -clogit- model 277

279 * * // Model SQ04 - calculation of status quo: based on all respondents * * clogit choice storrelse stxpen dagbog intmaal hoste egenbet pen inh /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -3065,1081 Iteration 1: log pseudolikelihood = -2936,1337 Iteration 2: log pseudolikelihood = -2932,1861 Iteration 3: log pseudolikelihood = -2932,1807 Iteration 4: log pseudolikelihood = -2932,1807 Conditional (fixed-effects) logistic regression Number of obs = Wald chi2(8) = 561,25 Prob > chi2 = 0,0000 Log pseudolikelihood = -2932,1807 Pseudo R2 = 0,2536 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,78 0,000 -, , stxpen -, , ,75 0,000 -, , dagbog, , ,60 0,109 -, , intmaal, , ,91 0,000, , hoste -, , ,35 0,000 -, , egenbet -, , ,51 0,000 -, , pen 2,812207, ,05 0,000 2, ,13547 inh 1,476439, ,36 0,000 1, , estimates store SQ04 scalar SQ04cluster = e(n_clust) // Scalars extracted from -clogit- model *=========================================================================* // Estimating wtp for model SQ01-SQ04 *=========================================================================* * * // WTP estimates for model SQ01: PEN, status quo, pen-users * * // Estimates for pen, 50 grams, minus dagbog, minus intmaal: estimates restore SQ01 (results SQ01 are active now) nlcom /// > (Size50: - 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) + /// > ( - _b[pen] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] Size50-265, , ,65 0, , ,8917 kons 1625,88 136, ,95 0, , ,626 total 1360, , ,67 0, , ,673 estimates store WSQ01 estadd scalar N_clust = SQ01cluster : WSQ01 * * // WTP estimates for model SQ02: PEN, status quo, type1, pen-users * * // Estimates for pen, 50 grams, minus dagbog, minus intmaal: estimates restore SQ02 (results SQ02 are active now) 278

280 nlcom /// > (Size50: - 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) + /// > ( - _b[pen] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] Size50-160,24 87, ,84 0, , ,84527 kons 1460,81 157,947 9,25 0, , ,38 total 1300,57 128, ,09 0, , ,09 estimates store WSQ02 estadd scalar N_clust = SQ02cluster : WSQ02 * * // WTP estimates for model SQ03: PEN, status quo, type2, pen-users * * // Estimates for pen, 50 grams, minus dagbog, minus intmaal: estimates restore SQ03 (results SQ03 are active now) nlcom /// > (Size50: - 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) + /// > ( - _b[pen] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] Size50-441, ,3913-3,47 0, , ,2014 kons 1879,69 248,0524 7,58 0, , ,863 total 1437, ,3836 7,67 0, , ,071 estimates store WSQ03 estadd scalar N_clust = SQ03cluster : WSQ03 * * // WTP estimates for model SQ04: PEN, status quo, based on all respondents * * // Estimates for pen, 50 grams, minus dagbog, minus intmaal: estimates restore SQ04 (results SQ04 are active now) nlcom /// > (Size50: - 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 50*(_b[storrelse]+_b[stXpen]) / _b[egenbet] ) + /// > ( - _b[pen] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] Size50-252, , ,93 0, , ,2008 kons 1512,438 96, ,69 0, , ,423 total 1259,783 76, ,52 0, , ,26 estimates store WSQ04 estadd scalar N_clust = SQ04cluster : WSQ04 drop _all log close log: D:\Oecon\Speciale\Analyze\logs/33est_standard_interactlog log type: text closed on: 30 Jan 2007, 15:29:

281 Bilag D3 Estimations-output fra interaktionsmodellerne log: D:\Oecon\Speciale\Analyze\logs/34est_wtp_pen_inhlog log type: text opened on: 30 Jan 2007, 15:29:55 * * /* > *! 34est_wtp_pen_inhdo version 10-20dec kjaerhansen@mseconeu > - Estimating wtp for pen/inhalator as a whole (SECTION 572) > - Models estimated: I01-I05, PEN0_1-PEN0_5, PEN1_1-PEN1_5, > INH0_1-PEN0_5, INH1_1-PEN1_5 > */ * * // Using choice data use ${dsetprefix}_choicealt describe choice storrelse dagbog intmaal hoste egenbet pen inh base /// > stxpen dagxpen stxinh dagxinh <Some output omitted> // (remember: disutility assumed for storrelse and hoste) *=========================================================================* // Estimating models (used to calculate wtp for the 4 alternatives) *=========================================================================* * * // Model I01 (model with størrelse dummies (effect) & dagbog interactions) * * clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// >, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -3066,3824 Iteration 1: log pseudolikelihood = -2932,1703 Iteration 2: log pseudolikelihood = -2926,9593 Iteration 3: log pseudolikelihood = -2926,9526 Iteration 4: log pseudolikelihood = -2926,9526 Conditional (fixed-effects) logistic regression Number of obs = Wald chi2(11) = 596,95 Prob > chi2 = 0,0000 Log pseudolikelihood = -2926,9526 Pseudo R2 = 0,2550 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,52 0,000 -, , pen80 -, , ,93 0,000 -, , inh200, , ,83 0,067 -, , inh600 -, , ,16 0,000 -, , dagxpen, , ,26 0,024, , dagxinh -, , ,62 0,535 -, , intmaal, , ,63 0,000, , hoste -, , ,81 0,000 -, , egenbet -, , ,07 0,000 -, , pen 2,322474, ,30 0,000 2, , inh 1,273271, ,67 0,000, , estimates store I01 scalar I01cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model I02 (model with størrelse dummies (effect) & dagbog interactions) * * // type 1 clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if type1 == 1, group(obs) cluster(resp) 280

282 Iteration 0: log pseudolikelihood = -1019,8077 Iteration 1: log pseudolikelihood = -974,1657 Iteration 2: log pseudolikelihood = -972,58757 Iteration 3: log pseudolikelihood = -972,5856 Iteration 4: log pseudolikelihood = -972,5856 Conditional (fixed-effects) logistic regression Number of obs = 3672 Wald chi2(11) = 281,22 Prob > chi2 = 0,0000 Log pseudolikelihood = -972,5856 Pseudo R2 = 0,2767 (Std Err adjusted for 102 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,19 0,001 -, , pen80 -, , ,18 0,239 -, , inh200, , ,53 0,127 -, , inh600 -, , ,26 0,000 -, , dagxpen, , ,14 0,256 -,039046, dagxinh -, , ,84 0,403 -, , intmaal, , ,31 0,000, , hoste -, , ,77 0,000 -, , egenbet -, , ,99 0,000 -, , pen 2,486884, ,31 0,000 2, , inh 1,479882, ,96 0,000, , estimates store I02 scalar I02cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model I03 (model with størrelse dummies (effect) & dagbog interactions) * * // type 2 clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if type1 == 0, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -2035,5236 Iteration 1: log pseudolikelihood = -1947,2383 Iteration 2: log pseudolikelihood = -1943,5814 Iteration 3: log pseudolikelihood = -1943,5762 Iteration 4: log pseudolikelihood = -1943,5762 Conditional (fixed-effects) logistic regression Number of obs = 7056 Wald chi2(11) = 361,66 Prob > chi2 = 0,0000 Log pseudolikelihood = -1943,5762 Pseudo R2 = 0,2478 (Std Err adjusted for 196 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,03 0,043 -, , pen80 -, , ,07 0,000 -, , inh200, , ,09 0,276 -, , inh600 -,114764, ,88 0,060 -, , dagxpen, , ,94 0,052 -, , dagxinh -,005958, ,13 0,895 -,09429, intmaal, , ,36 0,018, , hoste -, , ,41 0,000 -, , egenbet -, , ,83 0,000 -, , pen 2,250395, ,75 0,000 1, , inh 1,171726, ,42 0,000, , estimates store I03 scalar I03cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model I04 (model with størrelse dummies (effect) & dagbog interactions) * * // type 2, ikke-insulin 281

283 clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if typexinsulin == 2, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1410,3972 Iteration 1: log pseudolikelihood = -1364,9148 Iteration 2: log pseudolikelihood = -1363,9204 Iteration 3: log pseudolikelihood = -1363,9199 Iteration 4: log pseudolikelihood = -1363,9199 Conditional (fixed-effects) logistic regression Number of obs = 4824 Wald chi2(11) = 240,10 Prob > chi2 = 0,0000 Log pseudolikelihood = -1363,9199 Pseudo R2 = 0,2279 (Std Err adjusted for 134 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,95 0,051 -, , pen80 -, , ,73 0,006 -, , inh200, , ,50 0,133 -,025288, inh600 -, , ,40 0,017 -, , dagxpen, , ,68 0,093 -, , dagxinh, , ,40 0,686 -, , intmaal,130047, ,77 0,006, , hoste -, , ,79 0,000 -, , egenbet -, , ,25 0,000 -, , pen 2,11083, ,02 0,000 1, , inh 1,181103, ,45 0,000, , estimates store I04 scalar I04cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model I05 (model with størrelse dummies (effect) & dagbog interactions) * * // type 2, insulin clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if typexinsulin == 3, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -608,06898 Iteration 1: log pseudolikelihood = -566,55009 Iteration 2: log pseudolikelihood = -559,50612 Iteration 3: log pseudolikelihood = -559,49874 Iteration 4: log pseudolikelihood = -559,49874 Conditional (fixed-effects) logistic regression Number of obs = 2232 Wald chi2(11) = 140,04 Prob > chi2 = 0,0000 Log pseudolikelihood = -559,49874 Pseudo R2 = 0,3155 (Std Err adjusted for 62 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,63 0,530 -, , pen80 -,37629, ,18 0,001 -, , inh200 -,031479, ,40 0,692 -, , inh600, , ,34 0,737 -, , dagxpen, , ,67 0,095 -, , dagxinh -, , ,49 0,136 -, , intmaal, , ,19 0,852 -, , hoste -, , ,62 0,009 -, , egenbet -, , ,87 0,000 -, , pen 2,62638, ,04 0,000 1, , inh 1,20344, ,45 0,001, , estimates store I05 scalar I05cluster = e(n_clust) // Scalars extracted from -clogit- model 282

284 *=========================================================================* // Estimating wtp for model I01: All respondents *=========================================================================* * * // WTP estimates for model I01: PEN, 50g, minus dagbog, minus intmaal * * estimates restore I01 (results I01 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post size_50: - 2*_b[pen50] / _b[egenbet] kons: - _b[pen] / _b[egenbet] total: (- 2*_b[pen50] / _b[egenbet]) + ( - _b[pen] / _b[egenbe > t]) choice Coef Std Err z P> z [95% Conf Interval] size_50-131, , ,68 0, ,862-61,2688 kons 1239,11 75, ,46 0, , ,629 total 1108,045 83, ,22 0, , ,297 estimates store PEN0_1 estadd scalar N_clust = I01cluster : PEN0_1 * * // WTP estimates for model I01: PEN, 50g, minus dagbog, plus intmaal * * estimates restore I01 (results I01 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-131, , ,68 0, ,862-61,2688 blod 170, , ,50 0,000 96, ,7607 kons 1239,11 75, ,46 0, , ,629 total 1278,517 96, ,20 0, , ,307 estimates store PEN1_1 estadd scalar N_clust = I01cluster : PEN1_1 * * // WTP estimates for model I01: INHALATOR, 200g, plus dagbog, plus hoste * * estimates restore I01 (results I01 are active now) nlcom /// > (size_200: - 2*(_b[inh600]/5) / _b[egenbet] ) /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// 283

285 > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_200-47, , ,08 0,000-70, ,66501 db -24, , ,62 0, , ,81981 host -210, , ,58 0, , ,8475 kons 679, , ,35 0, , ,7369 total 396, , ,10 0, , ,4307 estimates store INH0_1 estadd scalar N_clust = I01cluster : INH0_1 * * // WTP estimates for model I01: INHALATOR, 100g, plus dagbog, plus hoste * * estimates restore I01 (results I01 are active now) nlcom /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] db -24, , ,62 0, , ,81981 host -210, , ,58 0, , ,8475 kons 679, , ,35 0, , ,7369 total 444,211 95, ,65 0, , ,5558 estimates store INH1_1 estadd scalar N_clust = I01cluster : INH1_1 *=========================================================================* // Estimating wtp for model I02: Type 1 *=========================================================================* * * // WTP estimates for model I02: PEN, 50g, minus dagbog, minus intmaal * * estimates restore I02 (results I02 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-203,31 59, ,39 0, , ,81326 kons 1288, , ,20 0, , ,729 total 1084, ,9245 7,64 0, , ,993 estimates store PEN0_2 estadd scalar N_clust = I02cluster : PEN0_2 284

286 * * // WTP estimates for model I02: PEN, 50g, minus dagbog, plus intmaal * * estimates restore I02 (results I02 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-203,31 59, ,39 0, , ,81326 blod 311, , ,98 0, , ,3812 kons 1288, , ,20 0, , ,729 total 1396,55 178,5817 7,82 0, , ,563 estimates store PEN1_2 estadd scalar N_clust = I02cluster : PEN1_2 * * // WTP estimates for model I02: INHALATOR, 200g, plus dagbog, plus hoste * * estimates restore I02 (results I02 are active now) nlcom /// > (size_200: - 2*(_b[inh600]/5) / _b[egenbet] ) /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_200-89, , ,03 0, , ,77312 db -55, , ,84 0, , ,38333 host -223, , ,51 0, , ,69323 kons 766, ,5814 6,36 0, , ,873 total 398, ,0227 2,43 0,015 77, ,0882 estimates store INH0_2 estadd scalar N_clust = I02cluster : INH0_2 * * // WTP estimates for model I02: INHALATOR, 100g, plus dagbog, plus hoste * * estimates restore I02 (results I02 are active now) nlcom /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// 285

287 > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] db -55, , ,84 0, , ,38333 host -223, , ,51 0, , ,69323 kons 766, ,5814 6,36 0, , ,873 total 487, ,6488 3,02 0, , ,5755 estimates store INH1_2 estadd scalar N_clust = I02cluster : INH1_2 *=========================================================================* // Estimating wtp for model I03: Type 2 *=========================================================================* * * // WTP estimates for model I03: PEN, 50g, minus dagbog, minus intmaal * * estimates restore I03 (results I03 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-92, , ,10 0, ,5342-6, kons 1213,057 93, ,97 0, , ,31 total 1120, , ,79 0, , ,695 estimates store PEN0_3 estadd scalar N_clust = I03cluster : PEN0_3 * * // WTP estimates for model I03: PEN, 50g, minus dagbog, plus intmaal * * estimates restore I03 (results I03 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-92, , ,10 0, ,5342-6, blod 95, , ,34 0,019 15, ,187 kons 1213,057 93, ,97 0, , ,31 total 1215, , ,65 0, , ,166 estimates store PEN1_3 estadd scalar N_clust = I03cluster : PEN1_3 286

288 * * // WTP estimates for model I03: INHALATOR, 200g, plus dagbog, plus hoste * * estimates restore I03 (results I03 are active now) nlcom /// > (size_200: - 2*(_b[inh600]/5) / _b[egenbet] ) /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_200-24, , ,87 0,062-50,7411 1, db -6, ,5309-0,13 0, ,542 88,69565 host -203, ,5033-4,28 0, , ,3639 kons 631, , ,93 0, , ,1187 total 396, ,876 3,28 0, , ,8853 estimates store INH0_3 estadd scalar N_clust = I03cluster : INH0_3 * * // WTP estimates for model I03: INHALATOR, 100g, plus dagbog, plus hoste * * estimates restore I03 (results I03 are active now) nlcom /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] db -6, ,5309-0,13 0, ,542 88,69565 host -203, ,5033-4,28 0, , ,3639 kons 631, , ,93 0, , ,1187 total 421, ,7623 3,52 0, , ,4475 estimates store INH1_3 estadd scalar N_clust = I03cluster : INH1_3 *=========================================================================* // Estimating wtp for model I04: Type 2, ikke-insulin *=========================================================================* * * // WTP estimates for model I04: PEN, 50g, minus dagbog, minus intmaal * * estimates restore I04 (results I04 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// 287

289 > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-101, , ,03 0, ,5652-3, kons 1078, , ,37 0, , ,962 total 977, ,0979 8,56 0, , ,788 estimates store PEN0_4 estadd scalar N_clust = I04cluster : PEN0_4 * * // WTP estimates for model I04: PEN, 50g, minus dagbog, plus intmaal * * estimates restore I04 (results I04 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-101, , ,03 0, ,5652-3, blod 132,851 48, ,71 0,007 36, ,8632 kons 1078, , ,37 0, , ,962 total 1110, ,5094 8,57 0, , ,845 estimates store PEN1_4 estadd scalar N_clust = I04cluster : PEN1_4 * * // WTP estimates for model I04: INHALATOR, 200g, plus dagbog, plus hoste * * estimates restore I04 (results I04 are active now) nlcom /// > (size_200: - 2*(_b[inh600]/5) / _b[egenbet] ) /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_200-35, , ,37 0,018-65, , db 23, , ,40 0,687-90, ,6231 host -210, , ,69 0, ,129-98,73871 kons 603, , ,13 0, , ,0887 total 380, ,5976 2,85 0, , ,1676 estimates store INH0_4 estadd scalar N_clust = I04cluster : INH0_4 288

290 * * // WTP estimates for model I04: INHALATOR, 100g, plus dagbog, plus hoste * * estimates restore I04 (results I04 are active now) nlcom /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] db 23, , ,40 0,687-90, ,6231 host -210, , ,69 0, ,129-98,73871 kons 603, , ,13 0, , ,0887 total 416, ,16 3,15 0, , ,3482 estimates store INH1_4 estadd scalar N_clust = I04cluster : INH1_4 *=========================================================================* // Estimating wtp for model I05: Type 2, insulin *=========================================================================* * * // WTP estimates for model I05: PEN, 50g, minus dagbog, minus intmaal * * estimates restore I05 (results I05 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_50-59, , ,64 0, , ,6957 kons 1526,28 200,1706 7,62 0, , ,608 total 1466, ,0878 6,43 0, , ,496 estimates store PEN0_5 estadd scalar N_clust = I05cluster : PEN0_5 * * // WTP estimates for model I05: PEN, 50g, minus dagbog, plus intmaal * * estimates restore I05 (results I05 are active now) nlcom /// > (size_50: - 2*_b[pen50] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (kons: - _b[pen] / _b[egenbet] ) /// > (total: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// >, post 289

291 choice Coef Std Err z P> z [95% Conf Interval] size_50-59, , ,64 0, , ,6957 blod 13, , ,19 0, , ,9744 kons 1526,28 200,1706 7,62 0, , ,608 total 1479, ,977 6,32 0, , ,14 estimates store PEN1_5 estadd scalar N_clust = I05cluster : PEN1_5 * * // WTP estimates for model I05: INHALATOR, 200g, plus dagbog, plus hoste * * estimates restore I05 (results I05 are active now) nlcom /// > (size_200: - 2*(_b[inh600]/5) / _b[egenbet] ) /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] size_200 8, , ,34 0,736-39, ,50658 db -118, , ,60 0, , ,43962 host -190,065 75, ,53 0, , ,75064 kons 699, ,828 3,35 0, , ,656 total 398, ,9017 1,56 0, , ,5142 estimates store INH0_5 estadd scalar N_clust = I05cluster : INH0_5 * * // WTP estimates for model I05: INHALATOR, 100g, plus dagbog, plus hoste * * estimates restore I05 (results I05 are active now) nlcom /// > (db: - 2*_b[dagXinh] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (kons: - _b[inh] / _b[egenbet] ) /// > /// > (total: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] db -118, , ,60 0, , ,43962 host -190,065 75, ,53 0, , ,75064 kons 699, ,828 3,35 0, , ,656 total 390, ,9065 1,55 0, , ,3767 estimates store INH1_5 estadd scalar N_clust = I05cluster : INH1_5 drop _all log close log: D:\Oecon\Speciale\Analyze\logs/34est_wtp_pen_inhlog log type: text closed on: 30 Jan 2007, 15:30:

292 Bilag D4 Estimations-output fra de heteroskedastiske modeller log: D:\Oecon\Speciale\Analyze\logs/35est_clogithetlog log type: text opened on: 30 Jan 2007, 15:30:09 * * /* > *! 35est_clogithetdo version 10-17dec kjaerhansen@mseconeu > - estimating -clogithet- model (SECTION 59) > - Models estimated: H01-H05, WH01-WH05 > */ * * // Using choice data use ${dsetprefix}_choicealt describe choice storrelse dagbog intmaal hoste egenbet pen inh base /// > diff prob storage display value variable name type format label variable label - choice byte %80g Valgt alternativ storrelse int %80g Udstyrets størrelse (gram) dagbog byte %80g Indbygget dagbogsfunktion intmaal byte %80g Integreret blodsukkermåler (pen) hoste byte %80g Hoste (inhalator) egenbet int %80g Egenbetaling, DKK/måned pen byte %80g Pen: valgspecifik konstant inh byte %80g Inhalator: valgspecifik konstant base byte %80g Basisalt: valgspecifik konstant diff byte %100g onlymissing Sværhedsgrad af valgspm, meget let (1) til meget svært (10) prob byte %100g onlymissing Konfidensgrad ved valgspm, meget usikker (1) til meget sikker (10) // These dummies are used for testing -clogithet- // They should definately show heteroscedasticity gen byte dompen = onec == 12 gen byte dominh = twoc == 12 gen byte dombase = threec == 12 tab1 dom* -> tabulation of dompen dompen Freq Percent Cum ,54 81, ,46 100, Total ,00 -> tabulation of dominh dominh Freq Percent Cum ,32 97, ,68 100, Total ,00 -> tabulation of dombase dombase Freq Percent Cum ,99 97, ,01 100, Total ,00 291

293 // (remember: disutility assumed for storrelse and hoste) *=========================================================================* // ESTIMATING HETEROSCEDASTIC MODELS: H01-H05 (same subgrous as A01-A05) *=========================================================================* * * // Estimating -clogithet- models with diff and prob as hetvars * * // Reference model, A01 (-clogit-) replayed, if it's in memory capture noisily estimates restore A01 (results A01 are active now) capture noisily estimates replay Model A Conditional (fixed-effects) logistic regression Number of obs = Wald chi2(7) = 550,48 Prob > chi2 = 0,0000 Log pseudolikelihood = -2943,3699 Pseudo R2 = 0,2508 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] storrelse -, , ,27 0,000 -, , dagbog, , ,70 0,090 -,005073, intmaal, , ,02 0,000, , hoste -, , ,35 0,000 -, , egenbet -, , ,13 0,000 -, , pen 2,344801, ,77 0,000 2, , inh 1,508184, ,56 0,000 1, , * * // Model H01, heteroscedastic model * * clogithet choice storrelse dagbog intmaal hoste egenbet pen inh /// >, group(obs) cluster(resp) lm het(diff prob) Fitting heteroscedastic model: Iteration 0: log likelihood = -2943,3699 Iteration 1: log likelihood = -2932,0307 Iteration 2: log likelihood = -2931,974 Iteration 3: log likelihood = -2931,974 Heteroscedastic logistic regression Number of obs = Number of groups = 3576 LR chi2(2) = 22,79 Log likelihood = -2931,974 Prob > chi2 = 0,0000 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] variables storrelse -, , ,22 0,001 -, , dagbog, , ,47 0,141 -,01105, intmaal, , ,28 0,001, , hoste -, , ,64 0,000 -, , egenbet -, , ,44 0,000 -, , pen 2,65413, ,23 0,000 1, , inh 1,728933, ,05 0,000, , het diff -, , ,98 0,047 -, , prob, , ,42 0,674 -, , Robust LM test for heteroscedasticity chi2(2) = 101,38 Prob > chi2 = 0,0000 estimates store H01 scalar H01cluster = e(n_clust) // Scalars extracted from -clogit- model 292

294 * * // Model H02, heteroscedastic model, type 1 * * clogithet choice storrelse dagbog intmaal hoste egenbet pen inh /// > if type1 == 1, group(obs) cluster(resp) lm het(diff prob) Fitting heteroscedastic model: Iteration 0: log likelihood = -977,29898 Iteration 1: log likelihood = -968,85924 Iteration 2: log likelihood = -968,00083 Iteration 3: log likelihood = -967,98784 Iteration 4: log likelihood = -967,98723 Iteration 5: log likelihood = -967,98723 Heteroscedastic logistic regression Number of obs = 3672 Number of groups = 1224 LR chi2(2) = 18,62 Log likelihood = -967,98723 Prob > chi2 = 0,0001 (Std Err adjusted for 102 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] variables storrelse -, , ,78 0,075 -, , dagbog, , ,31 0,754 -, , intmaal, , ,70 0,090 -, , hoste -, , ,67 0,094 -, , egenbet -, , ,87 0,062 -, , pen 1,564433, ,83 0,067 -, , inh 1,177028, ,77 0,076 -, , het diff -, , ,52 0,602 -, , prob, , ,47 0,141 -, , Robust LM test for heteroscedasticity chi2(2) = 72,89 Prob > chi2 = 0,0000 estimates store H02 scalar H02cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model H03, heteroscedastic model, type 2 * * clogithet choice storrelse dagbog intmaal hoste egenbet pen inh /// > if type1 == 0, group(obs) cluster(resp) lm het(diff prob) Fitting heteroscedastic model: Iteration 0: log likelihood = -1956,661 Iteration 1: log likelihood = -1950,2973 Iteration 2: log likelihood = -1949,9914 Iteration 3: log likelihood = -1949,9886 Iteration 4: log likelihood = -1949,9886 Heteroscedastic logistic regression Number of obs = 7056 Number of groups = 2352 LR chi2(2) = 13,34 Log likelihood = -1949,9886 Prob > chi2 = 0,0013 (Std Err adjusted for 196 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] variables storrelse -, , ,92 0,055 -,001195, dagbog,053243, ,66 0,096 -, , intmaal, , ,21 0,027, , hoste -, , ,05 0,002 -, , egenbet -, , ,03 0,000 -, , pen 3,053178, ,74 0,000 1, , inh 1,78795, ,48 0,000, , het 293

295 diff -, , ,82 0,069 -, , prob -, , ,43 0,665 -, , Robust LM test for heteroscedasticity chi2(2) = 55,99 Prob > chi2 = 0,0000 estimates store H03 scalar H03cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model H04, heteroscedastic model, type 2, ikke-insulin * * clogithet choice storrelse dagbog intmaal hoste egenbet pen inh /// > if typexinsulin == 2, group(obs) cluster(resp) lm het(diff prob) Fitting heteroscedastic model: Iteration 0: log likelihood = -1370,5451 Iteration 1: log likelihood = -1359,5424 Iteration 2: log likelihood = -1359,3661 Iteration 3: log likelihood = -1359,1239 Iteration 4: log likelihood = -1359,1235 Iteration 5: log likelihood = -1359,1235 Heteroscedastic logistic regression Number of obs = 4824 Number of groups = 1608 LR chi2(2) = 22,84 Log likelihood = -1359,1235 Prob > chi2 = 0,0000 (Std Err adjusted for 134 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] variables storrelse -, , ,83 0,067 -, , dagbog, , ,54 0,123 -,012872, intmaal,136706, ,23 0,026, , hoste -, , ,26 0,024 -, , egenbet -, , ,90 0,004 -, , pen 1,932947, ,92 0,004, , inh 1,263378, ,73 0,006, , het diff -,050614, ,56 0,119 -, , prob, , ,23 0,219 -, , Robust LM test for heteroscedasticity chi2(2) = 107,16 Prob > chi2 = 0,0000 estimates store H04 scalar H04cluster = e(n_clust) // Scalars extracted from -clogit- model * * // Model H05, heteroscedastic model, type 2, insulin * * clogithet choice storrelse dagbog intmaal hoste egenbet pen inh /// > if typexinsulin == 3, group(obs) cluster(resp) lm het(diff prob) Fitting heteroscedastic model: Iteration 0: log likelihood = -567,42819 Iteration 1: log likelihood = -555,26892 Iteration 2: log likelihood = -549,75892 Iteration 3: log likelihood = -548,40602 Iteration 4: log likelihood = -548,17979 Iteration 5: log likelihood = -548,17406 Iteration 6: log likelihood = -548,17405 Heteroscedastic logistic regression Number of obs = 2232 Number of groups = 744 LR chi2(2) = 38,51 Log likelihood = -548,17405 Prob > chi2 = 0,0000 (Std Err adjusted for 62 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] 294

296 variables storrelse, , ,43 0,666 -, , dagbog, , ,54 0,586 -, , intmaal, , ,22 0,223 -, , hoste -,137284, ,62 0,532 -, , egenbet -, , ,84 0,005 -, , pen 7, , ,60 0,009 1, ,22545 inh 3, , ,35 0,019, , het diff -, , ,52 0,601 -, , prob -, , ,19 0,001 -, , Robust LM test for heteroscedasticity chi2(2) = 216,68 Prob > chi2 = 0,0000 estimates store H05 scalar H05cluster = e(n_clust) // Scalars extracted from -clogit- model *=========================================================================* // HETEROSCEDASTIC MODEL, using dom* (just as a test): *=========================================================================* // hetvars: dom* // 1 = if respondents have answered all 12 choice sets with the same alternative clogithet choice storrelse dagbog intmaal hoste egenbet inh base /// >, group(obs) cluster(resp) lm het(dom*) Fitting heteroscedastic model: Iteration 0: log likelihood = -2943,3699 Iteration 1: log likelihood = -2846,2659 Iteration 2: log likelihood = -2732,265 Iteration 3: log likelihood = -2708,2989 Iteration 4: log likelihood = -2702,2383 Iteration 5: log likelihood = -2700,5766 Iteration 6: log likelihood = -2700,2165 Iteration 7: log likelihood = -2700,1311 Iteration 8: log likelihood = -2700,1173 Iteration 9: log likelihood = -2700,1139 Iteration 10: log likelihood = -2700,1132 Iteration 11: log likelihood = -2700,113 Iteration 12: log likelihood = -2700,113 Iteration 13: log likelihood = -2700,113 Heteroscedastic logistic regression Number of obs = Number of groups = 3576 LR chi2(3) = 486,51 Log likelihood = -2700,113 Prob > chi2 = 0,0000 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] variables storrelse -, , ,41 0,000 -, , dagbog, , ,52 0,605 -, , intmaal, , ,67 0,094 -, , hoste -, , ,38 0,001 -, , egenbet -, , ,40 0,000 -, , inh -, , ,72 0,000-1, , base -1,788054, ,09 0,000-2, , het dompen 2,088097, ,90 0,000 1, , dominh -17,52678, ,52 0,000-18, ,78832 dombase -17,72294, ,89 0,000-18, ,87351 Robust LM test for heteroscedasticity chi2(3) = 4,2e+05 Prob > chi2 = 0,0000 *=========================================================================* // ESTIMATING WTP FOR HETEROSCEDASTIC MODELS *=========================================================================* * * // WTP estimates for model H01 * * 295

297 estimates restore H01 (results H01 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -43, , ,13 0,000-63, ,60847 db 32, , ,54 0,123-8, ,90415 blod 188, , ,95 0, , ,6297 host -176, , ,81 0, , ,6805 inh 833,771 81, ,29 0, , ,6471 pen 1279,944 79,892 16,02 0, , ,529 estimates store WH01 estadd scalar N_clust = H01cluster : WH01 * * // WTP estimates for model H02 * * estimates restore H02 (results H02 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -78, , ,04 0, , ,3376 db 12, , ,31 0,753-64, ,49318 blod 334, , ,44 0, , ,5422 host -168, , ,75 0, , ,27545 inh 1010, ,5778 6,99 0, , ,435 pen 1342, ,4002 9,92 0, , ,899 estimates store WH02 estadd scalar N_clust = H02cluster : WH02 * * // WTP estimates for model H03 * * estimates restore H03 (results H03 are active now) nlcom /// 296

298 > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -24, , ,06 0,040-47, , db 43, , ,82 0,069-3, ,07555 blod 110, , ,67 0,008 29, ,4273 host -176, , ,79 0, , ,41497 inh 728, , ,51 0, , ,5004 pen 1243,947 98, ,59 0, , ,601 estimates store WH03 estadd scalar N_clust = H03cluster : WH03 * * // WTP estimates for model H04 * * estimates restore H04 (results H04 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size -30, ,304-2,29 0,022-56, , db 55, ,8218 1,87 0,062-2, ,2129 blod 160, , ,24 0,001 63, ,1224 host -181, ,2791-3,28 0, , ,78934 inh 740, ,9277 7,06 0, , ,3672 pen 1133, , ,31 0, , ,743 estimates store WH04 estadd scalar N_clust = H04cluster : WH04 * * // WTP estimates for model H05 * * estimates restore H05 (results H05 are active now) nlcom /// > (size: - _b[storrelse]*100 / _b[egenbet] ) /// > (db: - 2*_b[dagbog] / _b[egenbet] ) /// > (blod: - 2*_b[intmaal] / _b[egenbet] ) /// > (host: - 2*_b[hoste] / _b[egenbet] ) /// 297

299 > (inh: - _b[inh] / _b[egenbet] ) /// > (pen: - _b[pen] / _b[egenbet] ) /// >, post size: - _b[storrelse]*100 / _b[egenbet] db: - 2*_b[dagbog] / _b[egenbet] blod: - 2*_b[intmaal] / _b[egenbet] host: - 2*_b[hoste] / _b[egenbet] inh: - _b[inh] / _b[egenbet] pen: - _b[pen] / _b[egenbet] choice Coef Std Err z P> z [95% Conf Interval] size 9, ,1617 0,44 0,657-33, ,27049 db 22, , ,52 0,601-62, ,0587 blod 98, , ,20 0,230-62, ,9787 host -57, , ,69 0, , ,0798 inh 745, ,6015 3,77 0, , ,825 pen 1584, ,195 8,20 0, , ,653 estimates store WH05 estadd scalar N_clust = H05cluster : WH05 drop _all log close log: D:\Oecon\Speciale\Analyze\logs/35est_clogithetlog log type: text closed on: 30 Jan 2007, 15:31:

300 Bilag D5 Output fra beregning af CV og markedsandele log: D:\Oecon\Speciale\Analyze\logs/36est_CV_marketlog log type: text opened on: 30 Jan 2007, 15:31:57 * * /* > *! 36est_CV_marketdo version 10-14jan kjaerhansen@mseconeu > - Analysis of: Compensating variation (CV) & > - market shares in a hypothetical market > */ * * // Using choice data use ${dsetprefix}_choicealt // (remember: disutility assumed for storrelse and hoste) *=========================================================================* // I01: CV estimates & Market shares: All respondents *=========================================================================* // Using previously estimated model I01 Estimations results replayed // (model should be in memory - otherwise run 34est_wtp_pen_inh first) estimates restore I01 (results I01 are active now) estimates replay Model I Conditional (fixed-effects) logistic regression Number of obs = Wald chi2(11) = 596,95 Prob > chi2 = 0,0000 Log pseudolikelihood = -2926,9526 Pseudo R2 = 0,2550 (Std Err adjusted for 298 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,52 0,000 -, , pen80 -, , ,93 0,000 -, , inh200, , ,83 0,067 -, , inh600 -, , ,16 0,000 -, , dagxpen, , ,26 0,024, , dagxinh -, , ,62 0,535 -, , intmaal, , ,63 0,000, , hoste -, , ,81 0,000 -, , egenbet -, , ,07 0,000 -, , pen 2,322474, ,30 0,000 2, , inh 1,273271, ,67 0,000, , * * // exp(v_i) and CV estimates * * #delim ; delimiter now ; nlcom > (price: _b[egenbet]) > (epen0: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0: exp(((_b[inh600]/5) + _b[egenbet]*800 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1: exp((_b[dagxinh] + _b[egenbet]*800 + > _b[hoste] + _b[inh]))) > > (epen0a: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1a: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0a: exp(((_b[inh600]/5) + _b[egenbet]*125 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1a: exp((_b[dagxinh] + _b[egenbet]*125 + > _b[hoste] + _b[inh]))) 299

301 >, post; choice Coef Std Err z P> z [95% Conf Interval] price -, , ,07 0,000 -, , epen0 7,137464, ,40 0,000 5, , epen1 8, , ,13 0,000 6, ,67489 einh0, , ,53 0,000, , einh1, , ,56 0,000, , epen0a 7,137464, ,40 0,000 5, , epen1a 8, , ,13 0,000 6, ,67489 einh0a 2,168663, ,54 0,000 1, , einh1a 2,267417, ,56 0,000 1, , estimates store temp; // CV estimates for section 58; > nlcom > (epen0: _b[epen0]) > (epen1: _b[epen1]) > (einh0: _b[einh0]) > (einh1: _b[einh1]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen1] + _b[einh0])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen0] + _b[einh1])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0 7,137464, ,40 0,000 5, , epen1 8, , ,13 0,000 6, ,67489 einh0, , ,53 0,000, , einh1, , ,56 0,000, , CV_pen -78, ,5844-4,49 0, , ,51354 CV_inh -1,915196, ,68 0,000-2, , estimates store CV01; // Alternative CV estimates, not for direct output in section 58; > estimates restore temp; (results temp are active now) nlcom > (epen0a: _b[epen0a]) > (epen1a: _b[epen1a]) > (einh0a: _b[einh0a]) > (einh1a: _b[einh1a]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen1a] + _b[einh0a])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen0a] + _b[einh1a])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0a 7,137464, ,40 0,000 5, , epen1a 8, , ,13 0,000 6, ,67489 einh0a 2,168663, ,54 0,000 1, , einh1a 2,267417, ,56 0,000 1, , CV_pen -66, , ,39 0,000-96, ,8075 CV_inh -5, , ,10 0,000-8, , #delim cr delimiter now cr 300

302 * * // Market shares * * #delim ; delimiter now ; estimates restore temp; (results temp are active now) nlcom > (ppen0: (_b[epen0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (ppen1: (_b[epen1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh0: (_b[einh0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh1: (_b[einh1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > > (ppen0a: (_b[epen0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (ppen1a: (_b[epen1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh0a: (_b[einh0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh1a: (_b[einh1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) >, post > ; Coef Std Err z P> z [95% Conf Interval] ppen0 42,57825, ,75 0,000 40, ,2555 ppen1 49, , ,91 0,000 47, ,99744 pinh0 3,650773, ,13 0,000 2, , pinh1 3,817018, ,25 0,000 2, , ppen0a 35,7814 1, ,64 0,000 33, ,92988 ppen1a 41, , ,93 0,000 39, ,82366 pinh0a 10,8719 1, ,09 0,000 8, ,98454 pinh1a 11, , ,34 0,000 9, ,52122 estimates store MS01; #delim cr delimiter now cr *=========================================================================* // I02: CV estimates & Market shares: Type 1 *=========================================================================* // Using previously estimated model I02 Estimations results replayed // (model should be in memory - otherwise run 34est_wtp_pen_inh first) estimates restore I02 (results I02 are active now) estimates replay Model I Conditional (fixed-effects) logistic regression Number of obs = 3672 Wald chi2(11) = 281,22 Prob > chi2 = 0,0000 Log pseudolikelihood = -972,5856 Pseudo R2 = 0,2767 (Std Err adjusted for 102 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,19 0,001 -, ,

303 pen80 -, , ,18 0,239 -, , inh200, , ,53 0,127 -, , inh600 -, , ,26 0,000 -, , dagxpen, , ,14 0,256 -,039046, dagxinh -, , ,84 0,403 -, , intmaal, , ,31 0,000, , hoste -, , ,77 0,000 -, , egenbet -, , ,99 0,000 -, , pen 2,486884, ,31 0,000 2, , inh 1,479882, ,96 0,000, , * * // exp(v_i) and CV estimates * * #delim ; delimiter now ; nlcom > (price: _b[egenbet]) > (epen0: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0: exp(((_b[inh600]/5) + _b[egenbet]*800 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1: exp((_b[dagxinh] + _b[egenbet]*800 + > _b[hoste] + _b[inh]))) > > (epen0a: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1a: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0a: exp(((_b[inh600]/5) + _b[egenbet]*125 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1a: exp((_b[dagxinh] + _b[egenbet]*125 + > _b[hoste] + _b[inh]))) >, post; choice Coef Std Err z P> z [95% Conf Interval] price -, , ,99 0,000 -, , epen0 7, , ,32 0,000 4, ,28103 epen1 10, , ,06 0,000 5, ,55159 einh0, , ,78 0,000, , einh1, , ,80 0,000, ,08538 epen0a 7, , ,32 0,000 4, ,28103 epen1a 10, , ,06 0,000 5, ,55159 einh0a 2,419097, ,79 0,000 1, , einh1a 2,636472, ,80 0,000 1, , estimates store temp; nlcom > (epen0: _b[epen0]) > (epen1: _b[epen1]) > (einh0: _b[einh0]) > (einh1: _b[einh1]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen1] + _b[einh0])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen0] + _b[einh1])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0 7, , ,32 0,000 4, ,28103 epen1 10, , ,06 0,000 5, ,55159 einh0, , ,78 0,000, , einh1, , ,80 0,000, ,08538 CV_pen -145, , ,99 0, , ,98426 CV_inh -3, , ,98 0,003-6, , estimates store CV02; 302

304 // Alternative CV estimates, not for direct output in section 58; > estimates restore temp; (results temp are active now) nlcom > (epen0a: _b[epen0a]) > (epen1a: _b[epen1a]) > (einh0a: _b[einh0a]) > (einh1a: _b[einh1a]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen1a] + _b[einh0a])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen0a] + _b[einh1a])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0a 7, , ,32 0,000 4, ,28103 epen1a 10, , ,06 0,000 5, ,55159 einh0a 2,419097, ,79 0,000 1, , einh1a 2,636472, ,80 0,000 1, , CV_pen -122, , ,84 0, ,595-60,10928 CV_inh -10, , ,83 0,000-16, , #delim cr delimiter now cr * * // Market shares * * #delim ; delimiter now ; estimates restore temp; (results temp are active now) nlcom > (ppen0: (_b[epen0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (ppen1: (_b[epen1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh0: (_b[einh0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh1: (_b[einh1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > > (ppen0a: (_b[epen0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (ppen1a: (_b[epen1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh0a: (_b[einh0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh1a: (_b[einh1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) >, post > ; Coef Std Err z P> z [95% Conf Interval] ppen0 39, , ,37 0,000 36, ,73799 ppen1 53, , ,05 0,000 49, ,3161 pinh0 3,349017, ,21 0,000 1, , pinh1 3,649952, ,30 0,000 1, , ppen0a 33, , ,43 0,000 29, ,84893 ppen1a 45, , ,04 0,000 39, ,

305 pinh0a 10,3798 1, ,03 0,000 7, ,75518 pinh1a 11,3125 1, ,21 0,000 7, ,88402 estimates store MS02; #delim cr delimiter now cr *=========================================================================* // I04: CV estimates & Market shares: Type 2, ikke-insulin *=========================================================================* // Using previously estimated model I04 Estimations results replayed // (model should be in memory - otherwise run 34est_wtp_pen_inh first) estimates restore I04 (results I04 are active now) estimates replay Model I Conditional (fixed-effects) logistic regression Number of obs = 4824 Wald chi2(11) = 240,10 Prob > chi2 = 0,0000 Log pseudolikelihood = -1363,9199 Pseudo R2 = 0,2279 (Std Err adjusted for 134 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,95 0,051 -, , pen80 -, , ,73 0,006 -, , inh200, , ,50 0,133 -,025288, inh600 -, , ,40 0,017 -, , dagxpen, , ,68 0,093 -, , dagxinh, , ,40 0,686 -, , intmaal,130047, ,77 0,006, , hoste -, , ,79 0,000 -, , egenbet -, , ,25 0,000 -, , pen 2,11083, ,02 0,000 1, , inh 1,181103, ,45 0,000, , * * // exp(v_i) and CV estimates * * #delim ; delimiter now ; nlcom > (price: _b[egenbet]) > (epen0: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0: exp(((_b[inh600]/5) + _b[egenbet]*800 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1: exp((_b[dagxinh] + _b[egenbet]*800 + > _b[hoste] + _b[inh]))) > > (epen0a: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1a: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0a: exp(((_b[inh600]/5) + _b[egenbet]*125 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1a: exp((_b[dagxinh] + _b[egenbet]*125 + > _b[hoste] + _b[inh]))) >, post; choice Coef Std Err z P> z [95% Conf Interval] price -, , ,25 0,000 -, , epen0 5,8546 1, ,08 0,000 3, , epen1 6, , ,95 0,000 4, ,30563 einh0, , ,63 0,000, , einh1, , ,65 0,000, , epen0a 5,8546 1, ,08 0,000 3, ,

306 epen1a 6, , ,95 0,000 4, ,30563 einh0a 2,050578, ,54 0,000 1, , einh1a 2,124126, ,55 0,000 1, , estimates store temp; nlcom > (epen0: _b[epen0]) > (epen1: _b[epen1]) > (einh0: _b[einh0]) > (einh1: _b[einh1]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen1] + _b[einh0])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen0] + _b[einh1])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0 5,8546 1, ,08 0,000 3, , epen1 6, , ,95 0,000 4, ,30563 einh0, , ,63 0,000, , einh1, , ,65 0,000, , CV_pen -61, , ,70 0, , ,70292 CV_inh -1,562896, ,25 0,024-2, , estimates store CV04; // Alternative CV estimates, not for direct output in section 58; > estimates restore temp; (results temp are active now) nlcom > (epen0a: _b[epen0a]) > (epen1a: _b[epen1a]) > (einh0a: _b[einh0a]) > (einh1a: _b[einh1a]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen1a] + _b[einh0a])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen0a] + _b[einh1a])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0a 5,8546 1, ,08 0,000 3, , epen1a 6, , ,95 0,000 4, ,30563 einh0a 2,050578, ,54 0,000 1, , einh1a 2,124126, ,55 0,000 1, , CV_pen -50, , ,62 0,009-87, ,55577 CV_inh -4, , ,43 0,015-8, , #delim cr delimiter now cr * * // Market shares * * #delim ; delimiter now ; estimates restore temp; (results temp are active now) nlcom > (ppen0: (_b[epen0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) 305

307 > (ppen1: (_b[epen1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh0: (_b[einh0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh1: (_b[einh1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > > (ppen0a: (_b[epen0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (ppen1a: (_b[epen1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh0a: (_b[einh0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh1a: (_b[einh1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) >, post > ; Coef Std Err z P> z [95% Conf Interval] ppen0 42, , ,77 0,000 40, ,22409 ppen1 48, , ,08 0,000 45, ,88553 pinh0 4,011176, ,97 0,000 2, , pinh1 4,155044, ,05 0,000 2, , ppen0a 35, , ,35 0,000 31, ,28194 ppen1a 39,9335 2, ,95 0,000 35, ,29291 pinh0a 12, , ,12 0,000 8, ,66011 pinh1a 12,7216 1, ,31 0,000 9, ,13329 estimates store MS04; #delim cr delimiter now cr *=========================================================================* // I05: CV estimates & Market shares: Type 2, insulin *=========================================================================* // Using previously estimated model I05 Estimations results replayed // (model should be in memory - otherwise run 34est_wtp_pen_inh first) estimates restore I05 (results I05 are active now) estimates replay Model I Conditional (fixed-effects) logistic regression Number of obs = 2232 Wald chi2(11) = 140,04 Prob > chi2 = 0,0000 Log pseudolikelihood = -559,49874 Pseudo R2 = 0,3155 (Std Err adjusted for 62 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,63 0,530 -, , pen80 -,37629, ,18 0,001 -, , inh200 -,031479, ,40 0,692 -, , inh600, , ,34 0,737 -, , dagxpen, , ,67 0,095 -, , dagxinh -, , ,49 0,136 -, , intmaal, , ,19 0,852 -, , hoste -, , ,62 0,009 -, , egenbet -, , ,87 0,000 -, , pen 2,62638, ,04 0,000 1, , inh 1,20344, ,45 0,001, ,

308 * * // exp(v_i) and CV estimates * * #delim ; delimiter now ; nlcom > (price: _b[egenbet]) > (epen0: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0: exp(((_b[inh600]/5) + _b[egenbet]*800 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1: exp((_b[dagxinh] + _b[egenbet]*800 + > _b[hoste] + _b[inh]))) > > (epen0a: exp((_b[pen50] + _b[egenbet]*125 + _b[pen]))) > (epen1a: exp((_b[pen50] + _b[egenbet]*125 + > _b[intmaal] + _b[pen]))) > (einh0a: exp(((_b[inh600]/5) + _b[egenbet]*125 + > _b[dagxinh] + _b[hoste] + _b[inh]))) > (einh1a: exp((_b[dagxinh] + _b[egenbet]*125 + > _b[hoste] + _b[inh]))) >, post; choice Coef Std Err z P> z [95% Conf Interval] price -, , ,87 0,000 -, , epen0 10, , ,11 0,002 3, ,25965 epen1 10, , ,02 0,003 3, ,66849 einh0, , ,47 0,013, , einh1, , ,48 0,013, , epen0a 10, , ,11 0,002 3, ,25965 epen1a 10, , ,02 0,003 3, ,66849 einh0a 2,074831, ,68 0,007, , einh1a 2,060055, ,70 0,007, , estimates store temp; nlcom > (epen0: _b[epen0]) > (epen1: _b[epen1]) > (einh0: _b[einh0]) > (einh1: _b[einh1]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen1] + _b[einh0])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0] + _b[einh0]) - > ln(_b[epen0] + _b[einh1])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0 10, , ,11 0,002 3, ,25965 epen1 10, , ,02 0,003 3, ,66849 einh0, , ,47 0,013, , einh1, , ,48 0,013, , CV_pen -6, , ,19 0,851-70, ,3432 CV_inh, , ,33 0,741-1, , estimates store CV05; // Alternative CV estimates, not for direct output in section 58; > estimates restore temp; (results temp are active now) nlcom > (epen0a: _b[epen0a]) > (epen1a: _b[epen1a]) > (einh0a: _b[einh0a]) > (einh1a: _b[einh1a]) > (CV_pen: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - 307

309 > ln(_b[epen1a] + _b[einh0a])) > ) > (CV_inh: (-1/_b[price]) * > (ln(_b[epen0a] + _b[einh0a]) - > ln(_b[epen0a] + _b[einh1a])) > ) >, post; Coef Std Err z P> z [95% Conf Interval] epen0a 10, , ,11 0,002 3, ,25965 epen1a 10, , ,02 0,003 3, ,66849 einh0a 2,074831, ,68 0,007, , einh1a 2,060055, ,70 0,007, , CV_pen -5, ,2309-0,19 0,851-62, ,80876 CV_inh, , ,33 0,741-3, ,69563 #delim cr delimiter now cr * * // Market shares * * #delim ; delimiter now ; estimates restore temp; (results temp are active now) nlcom > (ppen0: (_b[epen0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (ppen1: (_b[epen1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh0: (_b[einh0] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > (pinh1: (_b[einh1] / > (_b[epen0] + _b[epen1] + _b[einh0] + _b[einh1])*100) > ) > > (ppen0a: (_b[epen0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (ppen1a: (_b[epen1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh0a: (_b[einh0a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) > (pinh1a: (_b[einh1a] / > (_b[epen0a] + _b[epen1a] + _b[einh0a] + _b[einh1a])*100) > ) >, post > ; Coef Std Err z P> z [95% Conf Interval] ppen0 46, , ,16 0,000 43, ,25193 ppen1 47, , ,57 0,000 43, ,03476 pinh0 2, , ,62 0,009, , pinh1 2, , ,63 0,009, , ppen0a 41, , ,60 0,000 36, ,551 ppen1a 42, , ,19 0,000 37, ,20511 pinh0a 8, , ,63 0,000 3, ,55833 pinh1a 8, , ,68 0,000 3, ,41614 estimates store MS05; #delim cr delimiter now cr drop _all log close log: D:\Oecon\Speciale\Analyze\logs/36est_CV_marketlog log type: text closed on: 30 Jan 2007, 15:32:

310 Bilag D6 Output fra beregning af grafiske hypotesetests log: D:\Oecon\Speciale\Analyze\logs/37est_graphslog log type: text opened on: 30 Jan 2007, 15:32:03 * * /* > *! 37est_graphsdo version 10-20jan kjaerhansen@mseconeu > - Estimates graph: implicit hypothesis testing > */ * * // Using choice data use ${dsetprefix}_choicealt *=========================================================================* // Collecting data for graph 5-11 *=========================================================================* // Collecting total wtp estimates for subgroups of diabetics' forval i = 1/5 { 2 tempfile sgroup0`i' 3 estimates restore I0`i' 4 nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post 5 parmest, saving(`sgroup0`i'', replace) idnum(`i') idstr("i0`i'") 6 } (results I01 are active now) choice Coef Std Err z P> z [95% Conf Interval] PEN0 1108,045 83, ,22 0, , ,297 PEN1 1278,517 96, ,20 0, , ,307 INH0 396, , ,10 0, , ,4307 INH1 444,211 95, ,65 0, , ,5558 (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dctmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dctmp saved (results I02 are active now) choice Coef Std Err z P> z [95% Conf Interval] PEN0 1084, ,9245 7,64 0, , ,993 PEN1 1396,55 178,5817 7,82 0, , ,563 INH0 398, ,0227 2,43 0,015 77, ,0882 INH1 487, ,6488 3,02 0, , ,5755 (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000detmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000detmp saved (results I03 are active now) choice Coef Std Err z P> z [95% Conf Interval] PEN0 1120, , ,79 0, , ,695 PEN1 1215, , ,65 0, , ,166 INH0 396, ,876 3,28 0, , ,

311 INH1 421, ,7623 3,52 0, , ,4475 (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dgtmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dgtmp saved (results I04 are active now) choice Coef Std Err z P> z [95% Conf Interval] PEN0 977, ,0979 8,56 0, , ,788 PEN1 1110, ,5094 8,57 0, , ,845 INH0 380, ,5976 2,85 0, , ,1676 INH1 416, ,16 3,15 0, , ,3482 (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000ditmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000ditmp saved (results I05 are active now) choice Coef Std Err z P> z [95% Conf Interval] PEN0 1466, ,0878 6,43 0, , ,496 PEN1 1479, ,977 6,32 0, , ,14 INH0 398, ,9017 1,56 0, , ,5142 INH1 390, ,9065 1,55 0, , ,3767 (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dktmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dktmp saved use `sgroup01' forval i = 2/5 { 2 append using `sgroup0`i'' 3 } gen byte obs = _n order obs idnum encode parm, gen(parm) move Parm parm replace idstr = "Alle respondenter" if idstr == "I01" idstr was str3 now str17 (4 real changes made) replace idstr = "Type 1 diabetikere" if idstr == "I02" idstr was str17 now str18 (4 real changes made) replace idstr = "Type 2 diabetikere" if idstr == "I03" (4 real changes made) replace idstr = "Type 2, ikke insulin-brugere" if idstr == "I04" idstr was str18 now str28 (4 real changes made) replace idstr = "Type 2, insulinbrugere" if idstr == "I05" (4 real changes made) encode idstr, gen(idstr) move Idstr idstr drop parm idstr format estimate min95 max95 %9,2f sort obs save data/graphdata_5-11, replace (note: file data/graphdata_5-11dta not found) file data/graphdata_5-11dta saved * * // Listing data (collected using parmest) 310

312 * * use data/graphdata_5-11 set linesize 120 describe Contains data from data/graphdata_5-11dta obs: 20 vars: Jan :32 size: 1240 (99,9% of memory free) - storage display value variable name type format label variable label - obs byte %80g idnum byte %100g Numeric ID Idstr long %280g Idstr String ID Parm long %80g Parm Parameter name estimate double %9,2f Parameter estimate stderr double %100g SE of parameter estimate z double %100g Standard normal deviate p double %100g P-value min95 double %9,2f Lower 95% confidence limit max95 double %9,2f Upper 95% confidence limit - Sorted by: obs list, sepby(idnum) noobs <Some output omitted> set linesize $lsize * * // Creating plot of WTP estimates (with CI's), by diabetic sub-group * * set scheme s2mono #delim ; delimiter now ; twoway > rcap max95 min95 Parm, horizontal pstyle(p2) > > scatter Parm estimate, pstyle(p1) > mlab(estimate) mlabpos(12) msym(d) msize(vsmall) mlabsize(vsmall) > >, yscale(reverse noline) xscale(noline) > ylabel(1(1)4, valuelabel angle(0) labsize(small)) > xlabel(, format(%90g) grid) > ytitle("") ysize(12) xsize(18) plotregion(margin(medium)) > legend(label(1 "95 pct konfidensbånd") label(2 "WTP-estimat") > region(style(background)) cols(1) ) > by(idstr, cols(3) holes(3) note("") graphregion(margin(vsmall)) > imargin(small) noiytick noixtick legend(at(3) post(0)) ) > name(wtp, replace) > ; #delim cr delimiter now cr graph export Graphs/fig5-11_WTPpng, replace width(1800) height(1200) (note: file Graphs/fig5-11_WTPpng not found) (file Graphs/fig5-11_WTPpng written in PNG format) // Using choice data use ${dsetprefix}_choicealt local i 1 *=========================================================================* // Collecting data for graph 5-12 *=========================================================================* // Collecting total wtp estimates for subgroups (diabetes type, gender etc) * * // All respondents * * 311

313 tempfile sg`i' <Some output omitted Same output as for graph 511> parmest, saving(`sg`i'', replace) idnum(`i++') idstr("alle respondenter") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dmtmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dmtmp saved * * // Type 1 * * tempfile sg`i' <Some output omitted Same output as for graph 511> parmest, saving(`sg`i'', replace) idnum(`i++') idstr("type 1 diabetikere") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dotmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dotmp saved * * // Type 2 * * tempfile sg`i' <Some output omitted Same output as for graph 511> parmest, saving(`sg`i'', replace) idnum(`i++') idstr("type 2 diabetikere") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dqtmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dqtmp saved * * // Type 2, ikke-insulin * * tempfile sg`i' <Some output omitted Same output as for graph 511> parmest, saving(`sg`i'', replace) idnum(`i++') idstr("type 2, ikke insulin-brugere") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dstmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dstmp saved * * // Type 2, insulin * * tempfile sg`i' <Some output omitted Same output as for graph 511> parmest, saving(`sg`i'', replace) idnum(`i++') idstr("type 2, insulin-brugere") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dutmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dutmp saved * * // Males, kvinde = 0 * * tempfile sg`i' clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if kvinde == 0, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1335,4673 Iteration 1: log pseudolikelihood = -1280,0355 Iteration 2: log pseudolikelihood = -1277,7756 Iteration 3: log pseudolikelihood = -1277,7731 Iteration 4: log pseudolikelihood = -1277,

314 Conditional (fixed-effects) logistic regression Number of obs = 4644 Wald chi2(11) = 244,35 Prob > chi2 = 0,0000 Log pseudolikelihood = -1277,7731 Pseudo R2 = 0,2487 (Std Err adjusted for 129 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,31 0,021 -, , pen80 -, , ,37 0,018 -, , inh200, , ,52 0,603 -, , inh600 -, , ,26 0,024 -, , dagxpen, , ,28 0,022, , dagxinh,038338, ,69 0,492 -, , intmaal, , ,58 0,113 -, , hoste -, , ,61 0,000 -, , egenbet -, , ,84 0,000 -, , pen 2,251376, ,38 0,000 1, , inh 1,207729, ,56 0,000, , nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] PEN0 1029, ,8689 8,45 0, , ,511 PEN1 1107, ,0241 7,96 0, , ,597 INH0 432, ,3077 3,13 0, , ,2963 INH1 470,35 137,8251 3,41 0, , ,4822 parmest, saving(`sg`i'', replace) idnum(`i++') idstr("mænd") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dwtmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000dwtmp saved * * // Females, kvinde = 1 * * tempfile sg`i' clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if kvinde == 1, group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1725,2061 Iteration 1: log pseudolikelihood = -1645,3991 Iteration 2: log pseudolikelihood = -1642,4794 Iteration 3: log pseudolikelihood = -1642,475 Iteration 4: log pseudolikelihood = -1642,475 Conditional (fixed-effects) logistic regression Number of obs = 6084 Wald chi2(11) = 376,75 Prob > chi2 = 0,0000 Log pseudolikelihood = -1642,475 Pseudo R2 = 0,2628 (Std Err adjusted for 169 clusters in resp) 313

315 Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,63 0,009 -, , pen80 -, , ,26 0,001 -, , inh200, , ,12 0,034,00826, inh600 -, , ,54 0,000 -, , dagxpen, , ,81 0,419 -, , dagxinh -, , ,47 0,141 -, , intmaal, , ,68 0,000, , hoste -, , ,58 0,000 -, , egenbet -, , ,09 0,000 -, , pen 2,383031, ,61 0,000 2, , inh 1,325359, ,65 0,000, , nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] PEN0 1174, , ,06 0, , ,97 PEN1 1426, , ,40 0, , ,798 INH0 365, ,3884 2,70 0, , ,7557 INH1 420, ,6798 3,17 0, , ,2866 parmest, saving(`sg`i'', replace) idnum(`i++') idstr("kvinder") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e0tmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e0tmp saved * * // Low income, indkomst = 1,2 ( kr) * * tempfile sg`i' clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if inlist(indkomst,1,2), group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1015,2382 Iteration 1: log pseudolikelihood = -967,07378 Iteration 2: log pseudolikelihood = -964,30131 Iteration 3: log pseudolikelihood = -964,29521 Iteration 4: log pseudolikelihood = -964,29521 Conditional (fixed-effects) logistic regression Number of obs = 3492 Wald chi2(11) = 181,50 Prob > chi2 = 0,0000 Log pseudolikelihood = -964,29521 Pseudo R2 = 0,2459 (Std Err adjusted for 97 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -,136123, ,30 0,021 -, , pen80 -, , ,93 0,003 -, , inh200, , ,43 0,668 -, , inh600 -, , ,20 0,028 -, , dagxpen, , ,07 0,287 -, ,

316 dagxinh -, , ,05 0,295 -, , intmaal, , ,00 0,003, , hoste -, , ,04 0,002 -, , egenbet -, , ,92 0,000 -, , pen 2,190338, ,61 0,000 1, , inh, , ,70 0,000, , nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] PEN0 1050, ,6062 7,02 0, , ,973 PEN1 1227, ,6426 7,46 0, , ,514 INH0 197, ,8058 1,05 0, , ,4697 INH1 248, ,8608 1,36 0, , ,9833 parmest, saving(`sg`i'', replace) idnum(`i++') idstr("lav indkomst") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e2tmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e2tmp saved * * // Medium income, indkomst = 3,4 ( kr) * * tempfile sg`i' clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if inlist(indkomst,3,4), group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -1253,3765 Iteration 1: log pseudolikelihood = -1217,8229 Iteration 2: log pseudolikelihood = -1217,1363 Iteration 3: log pseudolikelihood = -1217,136 Iteration 4: log pseudolikelihood = -1217,136 Conditional (fixed-effects) logistic regression Number of obs = 4284 Wald chi2(11) = 243,26 Prob > chi2 = 0,0000 Log pseudolikelihood = -1217,136 Pseudo R2 = 0,2242 (Std Err adjusted for 119 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,12 0,002 -, , pen80 -, , ,11 0,002 -, , inh200, , ,58 0,114 -,023312, inh600 -,21067, ,68 0,007 -, , dagxpen, , ,85 0,065 -, , dagxinh,027129, ,46 0,648 -, , intmaal, , ,67 0,008, , hoste -,228212, ,36 0,000 -, , egenbet -, , ,40 0,000 -, , pen 2,04392, ,88 0,000 1, , inh 1,208165, ,45 0,000, ,

317 nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] PEN0 892, ,526 7,60 0, , ,066 PEN1 1066, ,7718 7,22 0, , ,415 INH0 375, ,9168 2,61 0,009 93, ,7183 INH1 419, ,363 2,95 0, , ,5328 parmest, saving(`sg`i'', replace) idnum(`i++') idstr("medium indkomst") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e4tmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e4tmp saved * * // High income, indkomst = 5,6,7,8 ( kr) * * tempfile sg`i' clogit choice pen50 pen80 inh200 inh600 dagxpen dagxinh /// > intmaal hoste egenbet pen inh /// > if inlist(indkomst,5,6,7,8), group(obs) cluster(resp) Iteration 0: log pseudolikelihood = -675,26888 Iteration 1: log pseudolikelihood = -626,80406 Iteration 2: log pseudolikelihood = -623,72891 Iteration 3: log pseudolikelihood = -623,71999 Iteration 4: log pseudolikelihood = -623,71999 Conditional (fixed-effects) logistic regression Number of obs = 2664 Wald chi2(11) = 208,64 Prob > chi2 = 0,0000 Log pseudolikelihood = -623,71999 Pseudo R2 = 0,3607 (Std Err adjusted for 74 clusters in resp) Robust choice Coef Std Err z P> z [95% Conf Interval] pen50 -, , ,75 0,453 -, , pen80 -, , ,21 0,833 -, , inh200, , ,67 0,502 -, , inh600 -, , ,33 0,020 -, , dagxpen, , ,11 0,265 -, , dagxinh -, , ,78 0,434 -, , intmaal, , ,01 0,003, , hoste -, , ,09 0,037 -, , egenbet -, , ,90 0,000 -, , pen 3,200522, ,03 0,000 2, , inh 1,993785, ,44 0,000 1, , nlcom /// > (PEN0: (- 2*_b[pen50] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// > (PEN1: (- 2*_b[pen50] / _b[egenbet]) + /// > (- 2*_b[intmaal] / _b[egenbet]) + /// > ( - _b[pen] / _b[egenbet]) /// > ) /// 316

318 > (INH0: (- 2*(_b[inh600]/5) / _b[egenbet] ) + /// > ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// > (INH1: ( - 2*_b[dagXinh] / _b[egenbet] ) + /// > ( - 2*_b[hoste] / _b[egenbet] ) + /// > ( - _b[inh] / _b[egenbet] ) /// > ) /// >, post choice Coef Std Err z P> z [95% Conf Interval] PEN0 1438, ,9552 8,67 0, , ,268 PEN1 1619, ,1749 8,79 0, , ,048 INH0 694, ,583 4,20 0, , ,258 INH1 740, ,2429 4,48 0, , ,638 parmest, saving(`sg`i'', replace) idnum(`i++') idstr("høj indkomst") (note: file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e6tmp not found) file C:\DOCUME~1\jkh\LOKALE~1\Temp\ST_000000e6tmp saved * * drop _all use `sg1' forval j = 2/`=`i'-1' { 2 append using `sg`j'' 3 } idstr was str17 now str18 idstr was str18 now str28 gen byte obs = _n order obs idnum encode parm, gen(parm) move Parm parm gen byte Idstr = idnum label def Idstrfmt /// > 1 "Alle respondenter" /// > 2 "Type 1 diabetikere" /// > 3 "Type 2 diabetikere" /// > 4 "Type 2, ikke insulin-brugere" /// > 5 "Type 2, insulin-brugere" /// > 6 "Mænd" /// > 7 "Kvinder" /// > 8 "Lav indkomst" /// > 9 "Medium indkomst" /// > 10 "Høj indkomst" label val Idstr Idstrfmt move Idstr idstr drop parm idstr format estimate min95 max95 %9,2f sort obs save data/graphdata_5-12, replace (note: file data/graphdata_5-12dta not found) file data/graphdata_5-12dta saved * * // Listing data (collected using parmest) * * use data/graphdata_

319 set linesize 120 <Some output omitted> list obs-estimate, sepby(idnum) noobs obs idnum Idstr Parm estimate Alle respondenter PEN0 1108, Alle respondenter PEN1 1278, Alle respondenter INH0 396, Alle respondenter INH1 444, Type 1 diabetikere PEN0 1084, Type 1 diabetikere PEN1 1396, Type 1 diabetikere INH0 398, Type 1 diabetikere INH1 487, Type 2 diabetikere PEN0 1120, Type 2 diabetikere PEN1 1215, Type 2 diabetikere INH0 396, Type 2 diabetikere INH1 421, Type 2, ikke insulin-brugere PEN0 977, Type 2, ikke insulin-brugere PEN1 1110, Type 2, ikke insulin-brugere INH0 380, Type 2, ikke insulin-brugere INH1 416, Type 2, insulin-brugere PEN0 1466, Type 2, insulin-brugere PEN1 1479, Type 2, insulin-brugere INH0 398, Type 2, insulin-brugere INH1 390, Mænd PEN0 1029, Mænd PEN1 1107, Mænd INH0 432, Mænd INH1 470, Kvinder PEN0 1174, Kvinder PEN1 1426, Kvinder INH0 365, Kvinder INH1 420, Lav indkomst PEN0 1050, Lav indkomst PEN1 1227, Lav indkomst INH0 197, Lav indkomst INH1 248, Medium indkomst PEN0 892, Medium indkomst PEN1 1066, Medium indkomst INH0 375, Medium indkomst INH1 419, Høj indkomst PEN0 1438, Høj indkomst PEN1 1619, Høj indkomst INH0 694, Høj indkomst INH1 740, set linesize $lsize 318

320 * * // Creating plot of WTP estimates (with CI's), by diabetes type, gender etc * * set scheme s2mono #delim ; delimiter now ; twoway > rcap max95 min95 Idstr, horizontal pstyle(p2) > > scatter Idstr estimate, pstyle(p1) > mlab(estimate) mlabpos(12) msym(d) msize(vsmall) mlabsize(vsmall) > >, yscale(reverse noline) xscale(noline) > ylabel(1(1)10, valuelabel angle(0) labsize(small)) > xlabel(, format(%90g) grid) > ytitle("") ysize(13) xsize(18) plotregion(margin(medium)) > legend(label(1 "95 pct konfidensbånd") label(2 "WTP-estimat") > region(style(background)) ) > by(parm, cols(2) xrescale note("") graphregion(margin(vsmall)) > imargin(small) noiytick noixtick colfirst ) > name(wtp, replace) > ; #delim cr delimiter now cr graph export Graphs/fig5-12_WTPpng, replace width(1800) height(1300) (note: file Graphs/fig5-12_WTPpng not found) (file Graphs/fig5-12_WTPpng written in PNG format) log close log: D:\Oecon\Speciale\Analyze\logs/37est_graphslog log type: text closed on: 30 Jan 2007, 15:32: