가. 데이터와 변수들의 기술통계량

본 연구는 한국보건사회연구원과 국민건강보험공단이 공동으로 주관하는 한국의료패널 2009~2015년 연간데이터(Version 1.4)를 활용하였다.4) 양 기관은 컨소시엄을 구성하여 우리나라 가구의 보건의료실태와 의료비 지출수준, 건강수준 및 건강행태 등에 관한 기초자료를 생산하기 위하여 2008년 7,866가구를 선정하여 분석을 시작한 이후 전국 규모의 한국의료패널 사업을 공동으로 수행해 오고 있다. 2008년 한국의료패널 표본가구로 선정된 7,866가구 중 일부가 이사, 조사거부 등으로 탈락하였으며, 이를 보완하고자 2012년에 약 2,500가구를 추가적으로 선정하여 2015년 말 현재 분가가구를 포함하여 총 6,984가구가 등록, 관리되고 있다. 조사내용에는 가구 및 가구원의 사회경제적 특성 전반, 민영의료보험, 건강관련 인식 및 행태, 연간 응급·입원·외래 의료이용내역, 일반의약품 복용, 만성질환, 의료비지출액 등과 관련된 포괄적인 정보가 포함되어 있어 본 연구가 필요로 하는 주요 변수가 망라되어 있다. 본 연구의 실증분석에서 이용되는 데이터의 구축과정은 다음과 같다. 다음 절인 분석방법에서 자세한 논의를 하겠지만 본 연구를 위해서는 자녀의 체질량지수와 부모의 체질량지수를 연결시키는 것이 관건이다. 체질량지수를 구축하기 위해 필요한 정보인 신장과 몸무게에 대한 조사는 한국의료패널에서 만 18세 이상의 성인 가구원을 대상으로 조사되었다. 그러므로 18세 이상의 동거 자녀가 있는 중장년층 이상을 중심으로 하여 표본이 구축되었다.5) 이런 과정을 통하여 2009~2015년간 5,429명에 대한 총 19,412개의 관측치로 구성된 표본이 만들어졌다.6)

<표 1>은 실증분석에 사용된 변수들에 대한 기술통계량을 제시한다. 실증분석은 2009-2015년간의 통합데이터를 이용하므로 개인의료비지출액과 가구소득은 모두 소비자물가지수를 이용하여 실질변수로 전환하였다.7) 개인의료비지출액은 실제 수납금액(법정본인부담금+비급여항목)을 의미한다. 건보부담금을 묻는 설문항목도 있으나 모름/무응답의 비율이 너무 많아 이용가능하지가 않다. 가구소득의 경우는 가구소득을 가구원수의 제곱근으로 나눈 가구원수 보정 연간가구소득을 이용하였다.8) 체질량지수의 경우 부모들의 평균 BMI는 23.50으로 나타나며, 이들의 자녀들의 평균 BMI는 21.97로 부모들의 지수가 1.5정도 더 높은 것으로 나타난다. 결국 체질량지수를 반영한 표본의 평균 비만율은 27%로 나타나며, 이들의 자녀들의 비만율은 16%로 연령이 증가함에 따라 비만도가 증가하는 것으로 나타난다. 표본의 평균 연령은 56세인 것으로 나타나 자녀의 체질량지수를 연결시킬 수 있는 본 연구의 표본은 중장년층 표본임을 알 수 있다. 또한 이들의 대략 90%는 혼인 중이며, 20% 가량이 전문대 이상의 고등교육을 받은 것으로 나타난다. 또한 68%가 경제활동을 영위 중이며, 97%는 국민건강보험에 가입한 상태이다. dsmok2는 개인이 고위험흡연자인지를 나타내는 더미변수로서 고위험흡연자이면 1 아니면 0의 값을 가진다. 본 연구에서는 현재 흡연자 중 매일흡연자로서 일 15개비 이상 흡연하고 있는 자를 고위험흡연자로 정의한다. 실제 건강에 유해한 행위는 가끔 흡연 혹은 소량흡연이라기보다는 각종 흡연억제정책에 비탄력적인 고위험흡연이라고 판단하여 이 변수를 구성하였다. 표본의 대략 12%정도가 고위험흡연자인 것으로 나타난다. drink2는 개인이 고위험음주자인지를 나타내는 더미변수로서 고위험음주자이면 1 아니면 0의 값을 가진다. 고위험음주자는 질병관리본부의 정의를 따라서 1회 평균 음주량이 7잔 이상(여성 5잔)이며 주 2회 이상 음주하는 자로 규정한다.

이 경우도 흡연과 마찬가지로 단순소량음주가 건강에 미치는 영향이 불투명하다는 일부 실증연구에 근거하여 구성한 변수이다. 음주의 경우에도 12%가 고위험음주자인 것으로 나타난다. dexer2는 신체활동 실천여부를 나타내는 더미변수이다. 이 변수의 구성도 음주의 경우와 마찬가지로 질병관리본부의 정의를 따라 격렬한 신체활동, 중등도 신체활동, 걷기 실천 중 한 가지라도 수행하면 0의 값을 가지며 그렇지 않으면 1의 값을 가진다. 여기서 격렬한 신체활동이란 최근 1주일 동안 평소보다 몸이 매우 힘들거나 숨이 많이 가쁜 격렬한 신체활동을 1회 10분 이상, 1일 총 20분 이상, 주 3일 이상 실천한 것이다. 중등도 신체활동은 최근 1주일 동안 평소보다 몸이 조금 힘들거나 숨이 약간 가쁜 중등도 신체활동을 1회 10분 이상, 1일 총 30분 이상, 주 5일 이상 실천한 것이다. 마지막으로 걷기는 최근 1주일 동안 걷기를 1회 10분 이상, 1일 총 30분 이상 주 5일 이상 실천한 것을 의미한다. 표본의 55%가 규칙적인 신체활동을 하지 않는 것으로 나타난다.

<표 1>의 4열과 5열은 전체표본을 의료비지출이 0인 그룹과 의료비지출이 양의 값을 갖는 그룹으로 나누어 각각의 기술통계량을 보여준다. 이를 통해 보면 의료비지출이 양의 값을 갖는 경우 체질량지수의 값과 비만도가 그렇지 않은 경우보다 더 높으며, 자녀의 체질량지수와 비만도에서도 비슷한 현상이 나타난다.

나. 개인의료비지출과 비만

본 연구에서 가장 중요한 변수는 개인의료비지출액9), 체질량지수, 그리고 체질량지수를 통해 구축된 비만상태 변수이다. 기존의 연구들에서 빈번하게 지적되었듯이 개인의료비지출액은 일반적으로 오른쪽 꼬리분포를 가지며 많은 경우 의료비지출이 없는 경우도 있는데, 이러한 특징은 실증분석방법의 채택에서 중요한 역할을 한다.10) [그림 2]에서 보이듯이 한국의료패널의 개인의료비지출 항목도 상당히 긴 오른쪽 꼬리분포를 가지며 또한 동시에 상당히 많은 0의 관측치를 가진다. 양의 의료비지출만을 고려하여 정규분포의 분위들에 대한 개인의료비지출액의 분위분표를 보면 [그림 3(a)]와 같고 개인의료비지출액을 로그값으로 전환하여 동일한 분포를 그려보면 [그림 3(b)]와 같다. 그림에서 보듯이 개인의료비지출이 양의 값을 갖는 경우 원 데이터는 전혀 정규분포를 따르지 않지만 로그변환을 하는 경우 거의 정규분포를 따르는 것을 알 수 있다.11)

새창으로 보기

그림 2.

개인의료비지출액 분포

새창으로 보기

그림 3.

개인의료비지출액 분포(의료비지출>0)

다음으로는 남성과 여성에 있어서 비만도의 분포를 살펴본다. [그림 4(a)]는 남성과 여성의 체질량지수 분포에 대한 kernel density 추정이다. 이를 통해 여성의 체질량지수분포가 남성보다 약간 낮은 평균값을 가지지만 비만 쪽에 훨씬 극단치를 많이 가지는 것을 볼 수 있다. [그림 4(b)]는 대한비만학회(2018)가 체질량지수에 근거하여 제시하는 비만도의 6 범주별 남성과 여성의 히스토그램을 결합하여 제시한 것이다.12) 이를 통해 보면, 여성의 경우 저체중과 비만 쪽에 남성보다 많은 분포를 가지고 있는 것을 볼 수 있다.

새창으로 보기

그림 4.

여성과 남성의 체질량지수 분포 및 비만도 히스토그램

다음은 체질량지수와 이에 따른 개인의료비지출 간의 관계를 [그림 5]를 통해 살펴본다. 이는 fractional polynomial plot을 통해 두 변수 간의 관계를 추정한 것이다.13) 그림 (a)를 통해 나타나듯이 전체 개인의료비지출은 J-curve의 모습을 가진다. 즉, 저체중 그룹에서 정상체중보다 약간 많은 의료비지출 추이를 보이며 비만이 진행되면서 의료비지출이 급격하게 상승하는 양상을 보인다. 하지만 이를 남성과 여성의 두 그룹으로 분해하면 상당히 다른 그림과 만나게 된다. 그림 (b)는 남성의 경우 체질량지수와 의료비지출 간의 관계를 추정한 것이며, 이 경우 U-curve의 모양을 가진다. 즉, 저체중 그룹이 비만그룹 만큼이나 의료비지출에 많은 영향을 주는 것을 알 수 있다. 그림 (c)는 여성의 경우 두 변수 간의 관계를 추정한 것인데 전체표본의 경우와 마찬가지로 J-curve의 모양을 가지며, 결국 여성에 있어서 두 변수 간의 관계가 전체관계를 추동하는 것을 알 수 있다.14)

새창으로 보기

그림 5.

체질량지수와 개인의료비지출액 간의 관계에 대한 추정

[그림 4]와 [그림 5]에서 드러나듯이 여성과 남성은 체질량지수와 비만도의 분포에서 상당한 차이를 보이며, 더 나아가 체질량지수와 의료비지출 간의 관계에서도 상당한 차이를 노정한다. 그러므로 전체 표본을 가지고 실증분석을 수행함과 동시에 남성과 여성을 각기 따로 구분하여 분석을 실행한다.

가. Control function 방법과 Two Part 모형

체질량지수와 비만이 개인의료비지출에 미치는 영향을 분석하기 위해서는 데이터의 특징에 따른 올바른 실증분석모형을 채택하는 것이 가장 중요하다. 본 연구의 데이터는 도전적인 과제를 제시하는 두 가지 특징을 가진다. 첫 번째 과제는 데이터가 무작위대조연구(randomized controlled trial)가 아니라 관찰연구(observational study)를 통해 구축되었다는 사실에서 파생한다. 이 경우 연구자가 관찰할 수 없는 개인적인 이질성(unobserved individual heterogeneity)이 존재하며, 이러한 관찰되지 않는 이질성을 적절하게 통제하지 않으면 관심변수(체질량지수 혹은 비만여부)가 개인의료비지출에 미치는 영향에 대한 추정계수는 필연적으로 (양의 혹은 음의) 편의를 갖게 된다. 그간 미시계량경제학에서는 도구변수추정법이나 패널데이터모형의 추정을 통해 이러한 문제를 극복하고자 했다.15) 본 연구에서는 도구변수추정법과 동일하게 배제조건을 충족시키는 변수에 기반한 control function 방법을 통해 이 문제에 대처하고자 한다. 이를 위해 본 연구에서는 아래에서 자세하게 설명하는 바와 같이 그간 배제조건을 만족시키는 변수로 비만과 의료비지출 관련 연구에서 많이 이용되었던 자녀의 체질량지수와 비만여부를 이용한다.16) 하지만 기존의 도구변수추정법을 이용하지 않고 control function 방법을 이용하는데, 그 이유는 우리가 이용하고자 하는 probit 모형과 일반선형화모형과 같은 비선형모형에서 도구변수추정법을 이용하는 경우 추정계수가 일치성을 가지지 않는 것으로 나타나기 때문이다.17) 두 번째 과제는 이미 살펴본 바와 같이 본 연구의 종속변수인 개인의료비지출액이 상당한 수의 0의 관측치를 가지며, 또한 동시에 분포가 오른쪽으로 긴 고리를 가진다는 사실에서 기인한다. 이 경우 문제를 해결하기 위해 다양한 방식이 제기되었다. 최초에는 양의 의료비지출만 고려하여 이를 로그변환한 변수에 통상최소자승법을 적용하는 방식이 이용되었다. 하지만 원래의 종속변수인 로그변환하지 않은 의료비지출액에 대해 추정계수를 적용·해석하는데 있어 몇 가지 쉽지 않은 이슈가 제기되어18) 점차적으로 일반화선형모형을 이용하기 시작하였다. 이 두 방법은 모두 한 개 방정식의 체계이다. 하지만 점차적으로 상당한 수의 0의 관측치를 고려하기 위하여 이러한 의료비 미발생에 대한 행태의 분석까지 포함하는 two part 모형이 광범위하게 이용되었다.19) 본 연구는 이러한 두 가지 문제의 해결을 위하여 two part 모형을 이용하며, 의료비발생여부에 대한 모형인 probit 모형과 양의 의료비지출에 대한 분석모형인 GLM이 모두 비선형모형이므로 관찰되지 않는 이질성의 통제를 위하여 control function 방법을 적용한다. Control function 방법은 두 단계를 거쳐서 작동한다.

여기서 (1)은 의료비지출액 수준의 추정방정식이며, (2)는 체질량지수(혹은 비만)에 대한 추정방정식이다. 설명의 편의를 위하여 두 방정식 모두 선형인 경우를 고려한다. 여기서 (1)의 오차항은 (3)과 같이 주어진다. (3)을 (1)에 대입하면 다음의 식을 얻는다.

위와 같이 주어진 구조에서 1단계에서는 내생성을 갖는 변수인 체질량지수모형 (2)를 2단계 실증모형에서 사용된 변수들인 x₁과 배제조건을 만족하는 변수, 즉 자녀의 체질량지수인 x₂를 이용하여 추정한다. 이러한 추정 후에 우리는 다음과 같이 잔차를 계산할 수 있다.

2단계 의료비지출모형 (4)에서는 의료비지출액에 대해 x₁, y₂그리고 잔차 $\widehat{v_2}$ 를 이용하여 추정한다.20) 여기서 (4)의 추정에 이용된 v₂의 추정치 $\widehat{v_2}$ 를 control function이라고 부르는데, 이 변수가 내생성을 통제하기 때문에 붙여진 이름이다. 이렇게 누락변수로서 내생성을 나타내는 변수가 직접 본 추정방정식에 포함되므로 control function 방법은 관찰되지 않는 이질성의 존재와 그것의 방향에 대한 직접적인 검증방법도 제시한다는 장점을 가진다. 우리의 경우 (1)이 비선형모형(probit과 GLM)이므로 위와는 약간 다르게 모형이 복잡해지지만 기본 작동원리는 동일하다. 다만 추정계수를 구한 후 한계효과를 다시 구해야 한다(이러한 과정에 대한 모든 세부적인 이론적 논의는 Wooldridge(2015) 참조).21) 마지막으로 논의할 사항은 비만여부와 같이 방정식 (2)의 종속변수가 이산변수인 경우의 control function의 형태와 관련한 문제이다. 이 경우에는 잔차를 그대로 이용하지 않고 일반화된 잔차(generalized residual)을 이용하며, 이는 다음과 같은 형태를 가진다.

여기서 λ = ϕ(•)/Φ(•)는 잘 알려진 inverse Mills ratio이며, $x\widehat{\gamma }$ 는 비만여부에 대한 probit모형 (2)의 추정을 통한 예측치이다.

Two part 모형에서 일반화 선형모형은 연구자가 분포함수와 연결함수를 결정해야 한다. 분포함수의 결정을 위해서는 modified Park 검정을 이용한다. 이를 위해서 단일 GLM 의료비지출액 방정식을 감마반응분포와 로그연결함수를 이용하여 추정하고, 이를 통해 종속변수에 대한 예측값을 구한다. 다음으로는 실제 의료비지출액에서 이 예측값을 빼서 잔차를 구한 후 이를 제곱한다. 그리고 마지막 단계에서 잔차를 종속변수로 하고 의료비지출액의 예측값을 설명변수로 하여 감마반응분포와 로그연결함수를 가지고 GLM을 추정한다. 여기서 구한 예측치의 추정계수를 통해 반응분포를 결정하는데 이 추정계수가 0이면 정규분포, 1이면 포아송분포, 2이면 감마분포, 3이면 역정규분포를 채택한다. 우리의 경우 추정계수는 1.65이며 검정결과 2인 것으로 판정되어 감마분포가 적합한 것으로 드러난다.22) 연결함수와 관련하여 의료비지출 분석에서는 일반적으로 로그연결함수를 이용하는데 앞에서 살펴본 대로 의료비지출을 로그변화하는 경우 정규성을 가지기 때문이다. 따라서 본 연구의 GLM에서는 감마분포함수와 로그연결함수를 이용한다. 이와 같은 실증분석모형을 통하여 본 연구는 전체 표본, 여성, 남성에 대하여 각각 분석을 실행한다.

나. control function 분위수회귀

위 소절에서 주어진 방법론을 통한 추정 외에 본 연구는 분위수회귀도 실행한다. 잘 알려져 있듯이 분위수회귀는 기존의 분석방법이 가지는 한계를 극복하고 좀 더 풍부하게 문제를 분석하기 위해 고안되었다. 기존의 분석은 주로 조건부 평균을 추정하는데 집중되었다. 하지만 이는 종속변수인 의료비지출의 전체 분포에 우리가 관심을 가지는 변수인 체질량지수와 비만상태가 어떻게 다른 방식으로 영향을 미치는지를 보여주지 못하는 한계를 가진다. 특히, 정책효과의 분석 등에서 이러한 이질적인 분포적 효과는 실제적인 중요성을 가지며 더 세부적인 정책의 고안에 도움을 주는 경우가 많다. 따라서 본 연구에서는 위의 소절에서 주어진 주요 분석에 더해 양의 의료비지출에 대한 control function 분위수회귀를 통해 체질량지수와 비만여부가 개인의료비지출액의 분포에 다르게 영향을 미치는지 살펴본다.23)