Aineiston muuttujat ja kuvailevat analyysit

Tutkimuksen kuvailevassa osassa keskitytään analyysien kannalta relevanttien muuttu-jien jakaumiin sekä korrelaatiokertoimiin. Tutkimuskysymysten mukaisesti tarkastelun keskiössä ovat selitettävinä muuttujina erilaiset terveyspalveluiden käyttöä kuvaavat muuttujat. Nämä kolme tutkimuksessa käytettyä muuttujaa ovat dikotomisia käyntimuut-tujia ja ne kuvaavat sekä terveydenhuollon avopalveluiden käyttöä, vuodeosastopalvelui-den käyttöä, että mielenterveyspalveluivuodeosastopalvelui-den käyttöä. Selitettävät muuttujat ovat: lääkäri-käyntejä 12 kuukauden sisällä (on / ei), vuodeosastolääkäri-käyntejä 12 kuukauden sisällä (on / ei) sekä mielenterveyspalvelukäyntejä 12 kuukauden sisällä (on / ei).

Terveys 2011 -aineiston, 30 vuotta täyttäneiden perusraportin mukaan lääkärikäyntien määrä vähentyi vuodesta 2000 vuoteen 2011 mennessä. Selityksinä vähenemiselle on pi-detty väestön parantunutta toimintakykyä sekä hoitokäytäntöjen ja palveluiden järjestä-mistavan muutoksia, mutta mahdollista on, että aineisto on näiltä osin ollut jonkin verran valikoitunutta, eikä painokertoimien tuloksia oikaisevasta vaikutuksesta ollut näiden ana-lyysien aikaan vielä varmuutta. (Nguyen ym. 2012, 174.) Vastaavia muutoksia vuosien 2000 ja 2011 välillä ei havaittu sairaaloiden vuodeosastohoidon käytössä tai mielenter-veydenongelmiin liittyvien terveyspalveluiden käytössä (Suvisaari & Lindfors 2012, 180;

Manderbacka & Keskimäki 2012, 184).

Selittävien muuttujien ryhmittelyssä on hyödynnetty Andersenin ja Newmanin (1973) sekä Vaalavuon ym. (2013) esityksiä palveluiden käytön mekanismeista. Andersenin ja Newmanin (1973, 6) mallissa palveluiden käyttöön vaikuttavat ensisijaisesti yhteiskun-nalliset tekijät, kuten teknologinen kehitys sekä normit, jotka ilmentävät esimerkiksi sai-rauksien ja puutteen merkitystä yhteiskunnassa. Teknologia ja normit vaikuttavat puoles-taan terveydenhuollon palvelujärjestelmän muotoutumiseen, mikä on osalpuoles-taan yhteydessä erilaisiin yksilöllisiin tekijöihin.

Teknologista kehitystä ja normeja kuvaavia muuttujia ei ole saatavissa Terveys 2011 -aineistossa, mutta eräitä palvelujärjestelmää koskevia tietoja aineistolla on mahdollista tarkastella. Andersenin ja Newmanin (1973, 6) mukaan terveydenhuollon palvelujärjes-telmää määrittävät ensinnäkin väestömäärään suhteutetut resurssit sekä niiden maantie-teellinen jakautuminen. Suomessa terveyspalveluiden sijainnissa on suuria alueiden väli-siä ja sisäiväli-siä eroja. Yleisesti ottaen harvaan asutuilla maaseutualueilla palveluiden fyy-sinen saavutettavuus on heikointa ja väestö sekä palvelut keskittyvät nyt ja tulevaisuu-dessa entistä enemmän Etelä-Suomeen ja muutamien kaupunkikeskustojen tuntumaan (Huotari ym 2013, 15; Hätälä & Rusanen 2013, 47; Rehunen ym. 2016, 2). Terveys 2011 -aineistossa palveluiden saavutettavuuden maantieteellisiä eroja on mahdollista tarkas-tella karkealla tasolla esimerkiksi tilastollisen kuntaryhmitys -käsitteen kautta, jossa kun-nat jaetaan maaseutumaisiin, taajaan asuttuihin ja kaupunkimaisiin kuntiin (vrt. Tilasto-keskus 2018).

Toiseksi, terveydenhuollon palvelujärjestelmää määrittää sen organisoitumisen tapa, ku-ten hoitoonpääsyyn liittyvät tekijät jonotusajoista lähetekäytäntöihin (Andersen & New-man 1973, 6). Kuten tämän tutkielNew-man kappaleessa 3.3 todettiin, maamme terveyden-huollon palveluiden organisoinnissa on parhaimmillaan tasa-arvoa lisääviä piirteitä, mutta erilaiset palvelut voivat olla heikommin saavutettavissa pelkästään julkisessa ter-veydenhuollossa asioiville työterveyshuollon palveluita hyödyntäviin tai korkeammassa sosioekonomisessa asemassa oleviin verrattuna. Taulukossa 2 on kuvattu ne palvelujär-jestelmään ja yksilöiden ominaisuuksiin kytkeytyvät muuttujat, joita on ollut mahdollista tutkia Terveys 2011 -aineistolla. Palveluiden organisointiin liittyviä seikkoja voidaan tässä tutkimuksessa tarkastella välillisesti yksilöllisten, mahdollistavien tekijöiden, eli henkilöiden työmarkkina-aseman ja tulojen riittävyyden kautta

TAULUKKO 2. Tutkimuksen selittävät muuttujat palveluiden käytön mekanismien pohjalta (vrt. Andersen & Newman 1973; Vaalavuo ym. 2013).

Kategoria Aineistossa saatavilla oleva tieto

Terveydenhuollon palvelujärjestelmä Resurssit ja palveluiden saavutettavuuden

maan-tieteelliset erot Kuntatieto, joka heijastelee palveluiden tarjon-taa ja, jonka perusteelta on muodostettu tilastol-lisen kuntaryhmityksen mukainen jako maaseu-tumaisiin, taajaan asuttuihin ja kaupunkimaisiin kuntiin.

Yksilölliset tekijät

Altistavat tekijät Ikä, sukupuoli, koulutus ja siviilisääty Sairaudet / tarpeet Koettu terveys, hyvinvointi ja elämänlaatu

Pitkäaikaissairaus

Mahdollistavat tekijät Työmarkkina-asema / pääasiallinen toiminta ja tulojen riittävyys

Terveyspalveluiden käyttöön vaikuttavat yksilölliset tekijät on jaettu altistaviin tekijöi-hin, tarvetekijöihin ja mahdollistaviin tekijöihin. Altistavista tekijöistä iän on osoitettu olevan voimakkaasti yhteydessä terveyspalveluiden käyttöön lähinnä vanhemmilla ikä-ryhmillä havaittavien lisääntyvien sairauksien ja vajaakuntoisuuden myötä (Vaalavuo ym. 2013, 20). Sukupuolten väliset erot näyttäytyvät puolestaan sekä palveluiden käyttö-määrissä että käytettyjen palveluiden tyypeissä: hoitomenoilla laskettuna naisten palve-luiden käytössä korostuvat Suomessa, ikäryhmästä riippuen, perusterveydenhuolto ja sai-rausvakuutusten korvaamat yksityiset palvelut, kun taas iäkkäämmillä miehillä on saman-ikäisiin naisiin verrattuna enemmän somaattisen erikoissairaanhoidon käyttöä (Kapiainen

& Eskelinen 2014, 47).

Koulutustason on kansainvälisessä tutkimuskirjallisuudessa osoitettu korreloivan joko positiivisesti tai negatiivisesti terveyspalveluiden käytön kanssa maasta ja sen palvelujär-jestelmän organisoitumisesta riippuen (ks. Feinstein ym. 2006, 266-267). Yleisesti tiede-tään, että matalammin koulutetuilla on keskimäärin heikompi terveydentila ja Suomessa-kin korkea koulutus on yhteydessä hyvään terveyteen ja sitä kautta pienempään palvelu-tarpeeseen (Häkkinen ym. 2009, 27). Tästä huolimatta korkeassa sosioekonomisessa ase-massa olevat henkilöt käyttävät Suomessa enemmän niin julkisia kuin yksityisiäkin ter-veyspalveluita (Häkkinen & Alha 2006, 36; Manderbacka ym. 2006, 43).

Siviilisäätyä tarkasteltaessa on havaittu, että erilaisten terveys- ja toimintakykyongelmien esiintyvyys on vähäisintä naimisissa olevilla naisilla ja miehillä (esim. Martelin ym. 2002,

100). Parisuhteessa elämiseen on liitetty terveyttä edistäviä vaikutuksia, kuten sosiaalista tukea, terveellisiä elämäntapoja ja parempia taloudellisia resursseja (esim. Hahn 1993;

Ross ym. 1990), mutta on myös mahdollista, että terveemmillä henkilöillä on suurempi todennäköisyys päätyä parisuhteeseen (Goldman ym., 1995; vrt. Ostamo ym. 2007, 91).

Terveyspalveluiden käytön osalta siviilisäädyiltään erilaiset ryhmät käyttäytyvät hyvin eri tavoin: eronneilla henkilöillä on osoitettu olevan suurempi riski päätyä sairaalahoi-toon, kun taas naimattomat käyttävät terveyspalveluita naimisissa olevia vähemmän (Joung ym. 1995, 60). Siviilisäädyn ollessa osaltaan yhteydessä henkilön sosioekonomi-seen asemaan myös palveluiden käyttö noudattelee samanlaista kaavaa: naimisissa ole-villa on yleisesti parempi terveydentila ja he käyttävät myös enemmän terveyspalveluita.

Tässä tutkielmassa kiinnostuksen kohteena ovat erityisesti Andersenin ja Newmanin (1973) mallissa tarvetekijöiksi luokitellut koettu terveys, hyvinvointi ja elämänlaatu.

Aiempaa tutkimustietoa näiden muuttujien yhteydestä erilaisten terveyspalvelujen käyt-töön on esitelty tarkemmin luvussa 3.3. Sairauksiin ja tarvetekijöihin liittyen Terveys 2011 -aineistosta tarkastellaan tässä yhteydessä lisäksi henkilön raportoimaa pitkäaikais-sairautta. Terveys 2000 -tutkimuksen mukaan pitkäaikaissairaus oli yhteydessä suurem-paan lääkärikäyntien määrään kaikissa ikäryhmissä sekä naisten että miesten kohdalla verrattuna henkilöihin, joilla ei ollut kroonista sairautta (Häkkinen & Alha 2006, 35).

Työmarkkina-asemalla on useissa tutkimuksissa todettu olevan yhteys sekä henkilöiden terveyteen että terveyspalvelujen käyttöön. Työttömät voivat huonommin ja sairastavat työssäkäyviä enemmän (Paul & Moser 2009). Tästä huolimatta vähiten lääkärikäyntejä on pitkäaikaistyöttömillä ja pätkätöitä tekevillä (Virtanen ym. 2006; Åhs ym. 2012).

Nämä erot työssäkäyviin ovat nähtävillä erityisesti silloin, kun huomioidaan sairastami-seen liittyvä tarve palveluiden käytössä. (Virtanen ym. 2006; Åhs & Westerling 2006).

Sama havainto koskee pienituloisuutta sillä köyhempien henkilöiden on todettu hakeutu-van parempituloisia harvemmin hoitoon vaikka heidän terveydentilansa sitä edellyttäisi (esim. Åhs 2012). Itse asiassa, tuloihin liittyvä eriarvoisuus sekä yleis- että erikoislääkä-rien palvelujen käytössä on Euroopan maista suurinta Suomessa (van Doorslaer & Mas-seria 2004).

Terveys 2011 -aineisto mahdollistaisi joiltakin osin palvelujen käyttötietojen täydentämi-sen tyydyttämättömällä palvelutarpeella sekä palvelujen käyttöä estävien seikkojen, ku-ten jonojen, asiakasmaksujen ja hankalien kulkuyhteyksien tarkastelulla (ks. esim. Man-derbacka ym. 2012, 189-190), mutta se jääköön seuraavan tutkimuksen aiheeksi.

4.3.2 Survey-aineiston logistinen regressio-analyysi ja marginaalivaikutusten tar-kastelu

Tutkimuskysymysteni mukaisesti yhtenä tavoitteenani on tutkia, miten koettu terveys, elämänlaatu ja koherenssin tunne sekä erilaiset muut taustatekijät ovat yhteydessä ter-veyspalveluiden käyttöön lääkärikäynneillä, vuodeosastokäynneillä sekä mielenterveys-palvelukäynneillä mitattuna. Logistinen regressioanalyysi on tavanomaisen regressio-analyysin sovellutus, jota voidaan hyödyntää luokittelevan selitettävän muuttujan tilan-teissa (Tabachnick & Fidell 2001, 517) ja soveltuu siten binääristen käyntimuuttujien malleihin. Regressioanalyysin tapaan logistinen regressioanalyysi on analyysimenetelmä, jolla voidaan tutkia useiden tekijöiden vaikutusta johonkin asiaan. Tämän tyyppisissä li-neaarisissa malleissa selitettävää muuttujaa kuvataan selittävien muuttujien lineaarisena funktiona. (Alkula et al.1994, 244.).

Epäparametrisenä metodina logistinen regressioanalyysi voidaan nähdä melko joustavana analyysimallina, sillä siinä ei aseteta ennalta oletuksia selittävien muuttujien jakaumien luonteesta tai niiden välisistä suhteista. Sen sijaan menetelmässä oletetaan, että riippu-mattomien muuttujien ja riippuvan muuttujan logit-muunnoksen välillä on lineaarinen yhteys (Tabachnick & Fidell 2001, 517, 522).

Logistisia regressioanalyysimalleja muodostettaessa huomioitiin kyselyaineiston analy-soinnin erityistarpeet liittyen otoksen rakenteeseen ja tutkimusasetelmaan (vrt. Aromaa 2017 ym., 83). Aineiston kuvailevan osion tavoin analyyseissä käytettiin StataIC 14 -ohjelmistoa. Terveys 2011 -aineistosta tunnistettiin ja sisällytettiin analyyseihin survey-asetelman keskeiset määrittävät muuttujat: ositteet, yksilöotokset sekä painokertoimet, joiden avulla havaintoaineisto pyritään saamaan vastaamaan alkuperäisen perusjoukon jakaumia (Stata 2017a, 4; vrt. Aromaa ym. 2017, 114). Tutkimusasetelmaan liittyviä muuttujia on oleellista käyttää myös moni-imputoiduissa malleissa (Stata 2017b, 8).

Moni-imputoidun, survey-aineiston logististen regressioanalyysimallien mahdollisten spesifikaatio-ongelmien havaitsemiseen ei ole käytettävissä kaikki imputaatiot yhdistä-vässä aineistossa yhtä testiä, kuten linkkitestiä (vrt. esim.Institute for Digital Research and Education 2017).Erilaiset mallien hyvyyden tarkasteluun tarkoitetut menetelmät ei-vät myöskään päde moni-imputoidussa aineistossa (Stata 2017b, 80), eikä menetelmäkir-jallisuus anna tukea esimerkiksi Akaiken informaatiokriteerin (AIC) käyttöön impu-toidulla aineistolla tehtyjen mallien vertailussa (ks. esim. Wulff & Eljskov 2017, 52).

Moni-imputoitujen logististen regressioanalyysimallien tuloksia tarkastellaan marginaa-livaikutusten kautta. Pelkkien parametriestimaattien perusteella on hankalaa tehdä suoria johtopäätöksiä selitettävän tapahtuman todennäköisyydestä, mutta marginaalivaikutusten avulla se onnistuu (vrt. esim. Niittylahti 2013, 17). Logistisessa regressioanalyysissä marginaalivaikutus kertoo kuinka paljon todennäköisyys,että selitettävä muuttuja saa ar-von yksi kasvaa, kun selittävä muuttuja kasvaa yhdellä yksiköllä olettaen, että muutosno-peus on vakio (esim. Stata 2017c, 1453). Epäjatkuvilla muuttujilla marginaalivaikutus mittaa diskreettiä muutosta, toisin sanoen kuinka paljon ennustetut todennäköisyydet muuttuvat selittävän muuttujan muuttuessa esimerkiksi nollasta ykköseen. Jatkuvien muuttujien kohdalla marginaalivaikutus kertoo kuinka paljon ennustetut todennäköisyy-det muuttuvat selittävän muuttujan muuttuessa vähäisesti. Vähäisellä tarkoitetaan jatku-van muuttujan yhtä yksikköä (Williams 2018, 1-3).

Tämän tutkielman regressiomallien analysoinnissa käytetään keskimääräistä marginaali-vaikutusta (Average Marginal Effects, AME), jolloin aineisto analysoidaan siten, että kunkin mallissa olevan selittävän muuttujan muutoksen vaikutusta tapahtuman kokonais-todennäköisyyteen mitataan erikseen samalla, kun muut mallin muuttujat pidetään vaki-oina. Jokaisen selittävän muuttujan kaikista havainnoista lasketaan erikseen keskiarvo, joka on kyseisen muuttujan keskimääräinen marginaalivaikutus, toisin sanoen laskennal-linen vaikutus tapahtuman todennäköisyyteen, että selitettävä muuttuja saa arvon 1 (esim.

Bartus 2005, 309).

Tutkielmassa esitettyjen mallien hyvyyttä on arvioitu lisäksi selitysasteen (R²) avulla. Se-litysaste kertoo, miten suuri osuus selitettävän muuttujan vaihtelusta selittyy mallin avulla. Moni-imputoidussa aineistossa parametriestimaatit, kuten regressiokerroin ovat

yhdistetyn aineiston estimaattien keskiarvoja. Myös tällaisen aineiston selitysaste laske-taan imputoitujen aineistojen estimaattien keskiarvoista (Harel 2017). Ofer Harelin (2009, 1113) mukaan moni-imputoidun aineiston R² -arvojen jakaumasta johtuen esti-maatin luotettavuutta tulisi parantaa tekemällä korrelaatiokertoimille Fisherin z-muun-nos. Tätä menetelmää on hyödynnetty tutkielman regressiomallien selitysasteiden laske-misessa.