4. Tidigare studier
5.4 Felkällor
Användande av bekvämlighetsurval innebär ett icke- sannolikhetsurval då inklusionssannolikheten ej är känd (Dahmström 2011). Alla studenter har fått möjlighet att delta i studien genom att flygblad med information om studien och länk till enkäten har distribuerats på Örebro universitet, se bilaga 5. Detta tillvägagångssätt kan dock innebära en övertäckning om de som svarar ej är studenter vid Örebro universitet. Kontrollfrågor har av
denna anledning inkluderats i enkäten för att säkerställa att de som svarar är studenter vid Örebro universitet. Det kan även förekomma undertäckning då enkäten är skriven på svenska och studenter som inte talar svenska har därav ej möjlighet att delta i studien. För att minimera möjligheten att koppla svar till specifika studenter i enlighet med dataskyddsförordningen GDPR (Europaparlamentets och rådets förordning (EU) 2016/679), har främst de större klasserna valts ut för riktade inbjudningar. Detta innebär att det kan förekomma en viss avsiktlig undertäckning då inte alla studenter fått riktad information och inbjudan att delta i studien. Inbjudningarna har dock inkluderat studenter vid de flesta institutioner vid Örebro Universitet. För att säkerställa att ingen respondent besvarar enkäten fler än en gång har en begränsning används som innebär att varje dator endast kan skicka in ett svar. Det går inte heller att utesluta att de respondenter som valt att delta i studien till viss del skiljer sig från de som ej valt att delta. En viss grad av självselektion kan därav ha förekommit. Exempelvis kan de respondenter som i högre utsträckning har erfarenhet av eller ett intresse av psykisk ohälsa ha varit mer intresserade av studien.
Användande av en anonym webbenkät innebär att eventuella felaktiga svar inte kan verifieras. Det går inte att utesluta att respondenterna har uppfattat frågor fel eller ej svarat i enlighet med instruktionerna. Felkällor som kan uppstå på grund av metodvalet har minimerats och förebyggts genom att tillhandahålla kontaktuppgifter så att respondenterna kan ställa frågor vid eventuella oklarheter. En pilotundersökning (n>10) har även utförts som legat till grund för förändringar och förtydliganden av frågorna.
Användande av webbenkäter resulterar ofta i en lägre svarsfrekvens än andra insamlingsmetoder. En förloppsindikator inkluderades av denna anledning då detta kan minimera avbrott av enkätbesvarandet och därav öka svarsfrekvensen (Dahmström 2011). De frågor som enligt respondenterna i pilotundersökningen varit svåra att förstå eller besvara har formulerats om. Även belöningar vid besvarande av enkäten delades ut vid utvalda tillfällen för att öka svarsfrekvensen. Det förekom dock partiellt bortfall då 72 respondenter, cirka 28 procent, avbrutit besvarandet av enkäten, samt vissa respondenter har ej besvarat alla frågor. Detta visar att trots dessa åtgärder kan respondenterna ha upplevt svårigheter att besvara vissa frågor vilket måste medräknas som en felkälla. Det har även påvisats att ordningen på frågorna kan påverka värderingen i CV-studier (Clark & Friesen 2008). Det hade därav varit önskvärt att ordningen på frågorna presenterats slumpmässigt för respondenterna. Detta var dock ej möjligt i det valda enkätverktyget och medför därav en felkälla i denna studie.
I Sverige finansieras som nämnt hälso- och sjukvården främst av skatter, och respondenterna är således ej vana att betala för den vård de utnyttjar. Detta kan innebära att det är svårt för respondenterna att sätta ett monetärt värde på de behandlingar som ska värderas. En tidigare studie har dock påvisat att invånare i Spanien, som har liknande finansieringssystem för hälso- och sjukvård som i Sverige, ändå förstår värdet av den vård de nyttjar (Aguado-Arroyo et al. 2013). Det är även påvisat att den hypotetiska naturen av villkorad värdering kan medföra flertalet felkällor (eng. hypothetical bias). Det som ska värderas är ofta inte välkänt av respondenterna, vilket kan leda till att respondenterna ej svarar i enlighet med hur de skulle agera om varan såldes på en verklig marknad (Boardman et al. 2018). Av denna anledning har de behandlingar som ska värderas tydligt beskrivits för respondenterna. För att i så hög grad som möjligt efterlikna en verklig marknad och minimera felkällor till följd av detta har även betalningsmetod, uppsägningstid etcetera tydligt beskrivits för respondenterna. Tidigare studier har även påvisat att den hypotetiska karaktären av denna metod ofta resulterar i en övervärdering av varan eller tjänsten då betalningarna ej är bindande (Carson, Flores & Meade 2001; Allen, Murphy, Stevens & Weatherhead 2005; Hammitt, Herrera-Araujo & Rheinberger 2020). För att minimera denna felkälla har respondenterna informerats om detta och det har tydliggjorts att en positiv betalningsvilja innebär att den övriga konsumtionen skulle minska med summan de anger (eng. cheap talk script). Att inkludera denna information har i tidigare studier påvisats ge bättre och mer tillförlitliga svar (Carlsson, Frykblom & Lagerkvist 2005; Tonsor & Shupp 2011). Denna felkälla bör dock även vara tämligen lika för varje individ för de olika skattningarna av betalningsvilja, vilket innebär att den interna validiteten ej bör påverkas i en hög grad då främst skillnader mellan sjukdomarna är av intresse för denna studie. Respondenterna fick även skatta hur säkra de var på sina svar gällande betalningsvilja. Denna skattning utfördes med en förgraderad horisontell tiogradig skala där ett representerade inte alls säker och tio helt säker. Att inkorporera osäkerheten kan bland annat förbättra modellers godness-of-fit (Shaikh, Sun & van Kooten 2007).
En felkälla som är vanligt förekommande i studier med villkorad värdering är protestsvar samt strategiska svar. Detta innebär att respondenter ej anger sin riktiga betalningsvilja av strategiska skäl, eller vägrar att svara alls. Respondenterna kan exempelvis vara av åsikten att hälso- och sjukvård ska bekostas av staten och besvara att hen är villig att betala noll kronor för en behandling. Ett nollsvar innebär då nödvändigtvis inte att individen ej är intresserad av behandlingen, utan endast att hen anser att staten ska betala för den. Detta kan försvåra analysen
av nollsvar då det inte går att särskilja protestsvar från de som ej är intresserad av behandlingen. Detta kan även gälla låga värderingar då individer kan anse sig vara villig att betala delar av behandlingen (Pennington, Gomes & Donaldson 2017). I denna studie kontrollerades detta för genom att informera respondenterna om att en betalningsvilja på noll kronor kommer att tolkas som att de ej är intresserade av behandlingen. Det är även påvisat att strategiska svar förekommer mer sällan då värdering sker med betalningsvilja istället för minsta kompensationsbenägenhet (Drummond et al. 2015).
6. Metod
Deskriptiv statistik i form av läges- och spridningsmått presenteras för att åskådliggöra skillnader mellan sjukdomarnas respektive skattningar av betalningsvilja och hälsobörda. Det förekommer för alla sjukdomstillstånd höga avvikande skattningar av betalningsvilja men kommentarer visade att flertalet av dessa avvikande skattningar är sanna värden. För att ej exkludera sanna skattningar har därav endast skattningar som bedömts som orimliga exkluderats vid bearbetning av datan.6 En grövre rensning har även utförts där även irrationella
skattningar av hälsobörda har exkluderats. Detta innefattar de skattningar där respondenten angivit en hälsoförbättring med någon av sjukdomarna, jämfört med den initiala hälsan. I ett fåtal fall har respondenter skattat sin betalningsvilja i form av ett intervall, i dessa fall har medelvärdet av intervallet redovisats. Den deskriptiva statistiken presenteras dels för hela urvalet, dels för dessa rensade dataset och endast för de respondenter som angivit att de är säkra i sina skattningar av betalningsvilja. En skattning av minst åtta definieras som säker, i enlighet med Champ & McCollum (2001).
Skevhet och kurtosis har beräknats för betalningsviljan samt hälsobörda för respektive sjukdom, samt datavisualisering har utförts. Alla nollhypoteser om normalfördelad data kan förkastas på fem procents signifikansnivå. Av denna anledning används därav Wilcoxons teckenrangtest (eng. wilcoxon signed rank sum test) för att analysera om skillnader i betalningsvilja och hälsobörda mellan sjukdomstillstånden är statistiskt signifikanta. Detta test brukar jämföras med det parvisa t-testet och beskrivs som dess icke-parametriska motsvarighet. Wilcoxon teckenrangtest jämför median istället för medelvärden, vilket ger en bättre
jämförelse av data som ej är normalfördelad (Rissanen 2013). Med grund i datavisualiseringen och övergripande analys av datasetet kommer följande hypoteser att testas:
H0: Median av Betalningsvilja i,Depression - Betalningsviljai, Ryggvärk/Migrän/Utmattningssyndrom = 0
HA: Median av Betalningsviljai, Depression - Betalningsvilja i, Ryggvärk/Migrän/Utmattningssyndrom > 0
H0: Median av Hälsobörda i,Depression - Hälsobörda i, Ryggvärk/Migrän/Utmattningssyndrom=0
HA: Median av Hälsobörda i, Depression - Hälsobörda i, Ryggvärk/Migrän/Utmattningssyndrom > 0
Då betalningsvilja studeras, innehåller datasetet ofta ett relativt stort antal nollsvar, vilket även gäller denna studie.7 Detta innebär att analys med exempelvis minsta kvadratmetoden (eng.
ordinary least square, OLS) ej är lämplig att använda då flertalet av de nödvändiga antagandena ej är uppfyllda. Det gäller exempelvis antaganden gällande normalfördelning och homoskedasticitet (Wooldridge 2016).
Nollsvaren innebär att en linjär prediktionsmodell, som exempelvis OLS, kan resultera i negativa skattningar av den beroende variabeln. Betalningsvilja är naturligt begränsat till positiva värden. Skattningar utanför denna naturliga censurering behöver därav hanteras och dessa brukar benämnas hörnlösningar (eng. corner solutions) (Wooldridge 2016). Tobitmodellen utvecklades år 1958 av James Tobin för att analysera data med dessa karakteristika. Tobitmodellen beskrivs som en blandning av probitmodellen och multipel regression där dess respektive fördelar utnyttjas. Modellen baseras på en latent variabel som påverkar både sannolikheten för en skattning vid den valda censureringspunkten och storleken på skattningen (Tobin 1958). Till skillnad från andra modeller inkluderar tobitmodellen alla skattningar, även de vid censureringspunkterna, vilket innebär att ingen information om datasetet eller dess karakteristika förgås (Mcdonald & Moffitt 1980). Med grund i detta, analyseras determinanterna för betalningsvilja i denna studie med denna tobitmodell. Modellen tillåter även en övre censurering vilket kan underlätta hantering av avvikande skattningar. Tobitmodellen är sedan tidigare en välanvänd metod för att studera betalningsvilja (Ak- Hanawi, Alsharqi, Onwujekwe & Vaidya 2018; Alfnes & Alphonce 2017; Atake & Djahini- Afawoubo 2018; Carlsson & Martinsson 2005; Chung & Yeung 2019; Grebitus, Lewis & Nayaga 2016). En panelstruktur på tobitmodellen har använts, för att inkorporera
panelstrukturen av datan, då varje respondent skattat sin betalningsvilja för flertalet olika behandlingar. På grund av partiellt bortfall är studiens paneldata obalanserad, därav presenteras antalet respondenter (n) eller panelstorleken (N) som inkluderas i respektive analys. Hole (2007) jämför olika tillvägagångssätt för att beräkna standardfelen vid analys av betalningsvilja. Slutsatserna från analysen visade att det optimala valet påverkas av datasetets karakteristika. Att beräkna standardfelen med bootstrap rekommenderas då datasetet består av få observationer, observationerna ej är symmetriskt fördelade samt då heterogenitet kan förekomma (Hole 2007). Dessa karakteristika stämmer bra överens med detta dataset och därav beräknas standardfelen med bootstrap.
Tobitmodellen modellerar den beroende variabeln (y) med denna latenta variabel (y*), se ekvation 4. Den latenta variabel antas då uppfylla de antaganden som krävs för en linjär prediktionsmodell. Den latenta variabeln y* antas kunna skrivas som en linjär funktion av de beroende variablerna, de oberoende variablerna är exogena, det förekommer ingen perfekt multikollinearitet och feltermerna är normalfördelade, homoskedastiska samt okorrelerade med ett väntevärde av noll givet de beroende variablerna (Wooldridge 2016). yij*är således denna latenta variabel för betalningsvilja för varje individ och skattning av betalningsvilja. 𝑿𝒊𝒋 är en vektor med oberoende variabler där 𝜷 är vektorn med respektive parameterskattning.
Vid denna panelstruktur innefattar modellen både en individspecifik felterm 𝜇𝑖𝑗 samt en slumpartad felterm 𝜐𝑖. Den individspecifika feltermen antas vara normalfördelad med ett medelvärde av 0 och varians av σμ2 ,𝜇𝑖𝑗~ N[0, σμ2] . Även den slumpartade feltermen antas
vara normalfördelad med ett medelvärde av 0, en varians av σບ2 ,𝜐𝑖~ N[0, σບ2 ] och antas även vara oberoende av den individspecifika feltermen (Statacorp 2019).
𝑦𝑖𝑗∗ = 𝛽0+ 𝑿𝑖𝑗𝜷 + 𝜐𝑖 + 𝜇𝑖𝑗 (4)
Tobitmodellen censurerar datan genom att yij*antar värdet av yij då yij ligger inom det valda
gränsvärdet, men antar respektive gränsvärde då y ligger över eller under gränsvärdet, se ekvation 5 (Statacorp 2019). Olika gränsvärden har testats och baserat på detta kommer en undre censurering (eng. lower limit, ll) med a=0, samt en övre censurering (eng. upper limit, ul) b=1000 att implementeras. Detta grundas i en avvägning mellan en önskan att ej censurera korrekta skattningar och modellens goodness-of-fit. Den kompletta modellspecifikationen beräknad med olika gränsvärden går att finna i bilaga 7.
𝑦𝑖𝑗 = {
𝑎 𝑑å 𝑦𝑖𝑗∗ ≤ 𝑎 𝑦𝑖𝑗∗ 𝑑å 𝑎 > 𝑦𝑖𝑗∗ > 𝑏 𝑏 𝑑å 𝑦𝑖𝑗∗ ≥ 𝑏
(5)
Tobitmodellen estimeras med maximimetoden (eng. maximum likelihood), genom att datasetets log-likelihoodfunktion maximeras med hänsyn till β samt 𝜇𝑖𝑗. Log likelihood funktionen utgörs av summan av alla respondenternas enskilda bidrag till likelihoodfunktionen, ekvation 6, där varje individs bidrag åskådliggörs av ekvation 7. Indikatorfunktionen I indikerar om observationen är censurerad där Iaij=1 då yij=a och Ibij=1 då yij=b, och noll annars.
Φ visar den kumulativa fördelningsfunktionen och ϕ den probabilistiska fördelningsfunktionen (Henningsen 2010). 𝐿𝑖 = ∫ {∏ ( [Φ(𝑎−𝑥𝑖𝑗′ 𝛽−𝜇𝑖 𝜎𝜈 )]𝐼𝑖𝑗 𝑎 [Φ(𝑥𝑖𝑗′ 𝛽−𝜇𝑖−𝑏 𝜎𝜈 )]𝐼𝑖𝑗 𝑏 [ 1 𝜎𝜈𝜙( 𝑦𝑖𝑗−𝑥𝑖𝑗′ 𝛽−𝜇𝑖 𝜎𝜈 )](1−𝐼𝑖𝑗 𝑎 −𝐼𝑖𝑗𝑏 ) ) 𝐽𝑖 𝑗=1 } ∞ −∞ 𝜙 𝜇𝑖 𝜎𝜇𝑑𝜇𝑖 (6) 𝐿𝑜𝑔𝐿 = ∑𝑁𝑖=1𝑙𝑜𝑔𝐿𝑖 (7)
Skattningarna som erhålls med en tobit-regression innefattar två separata effekter. De innefattar effekten på y* för de ocensurerade skattningarna viktat av sannolikheten att en skattning är inom gränsvärdena, samt den förändrade sannolikheten att vara inom gränsvärdena viktat av det förväntade värdet av y om skattningen är inom gränsvärdena (Mcdonald & Moffitt 1980). I denna studie innefattar betaskattningen således både skillnaden i betalningsvilja för de respondenter som redan har en betalningsvilja inom censureringen, samt förändringen i betalningsvilja orsakat av att sannolikheten för att vara inom censureringen förändras för den latenta variabeln y* då värdet av den oberoende variabeln förändras. Den senare effekten påverkar betalningsviljan genom att den kumulativa fördelningsfunktionen förändras då värdet av den oberoende variabeln ändras (Mcdonald & Moffitt 1980). Betaskattning som erhålls motsvarar dock ej korrekta skattningar av betalningsvilja, sett till effekten i kronor. Även nollsvaren bör inkluderas (eng. unconditional expectation), E(y|x), då den sanna betalningsviljan i många fall kan vara noll och att exkludera dem skulle leda till felaktiga resultat, och främst de marginella effekterna är ekonomiskt relevanta i denna studie. Denna marginella effekt visar hur de oberoende variablerna påverkar de observerade värdena av
betalningsvilja genom att hänsyn tas till den kumulativa fördelningsfunktionen, resterande variabler och parametrar samt standardavvikelsen (Mcdonald & Moffitt 1980). Detta ändrar ej tecknet på skattningen, men ger en mer korrekt bild av effekten i kronor. Denna marginella effekt presenteras därav för respektive betaskattning.
Då determinanterna för betalningsvilja studeras kommer följande modell att estimeras där i indikerar individ och j sjukdomstillstånd:
(8)
Hälsobördaij och Riskij inkluderas för att undersöka om den förväntade bördan från sjukdomen j eller den risk individen i antar sig ha att drabbas av sjukdomen j påverkar betalningsviljan, då
detta påvisats i tidigare studier (Angermeyer et al. 2008; Smith et al. 2012). Kontaktij indikerar
om individen i själv eller någon i dess närhet diagnostiserats med sjukdomen j, vilket också påvisats påverka betalningsviljan i tidigare studier (Angermeyer et al. 2008). För att undersöka om uppfattningar och fördomar om de olika sjukdomstillstånden påverkar individens betalningsvilja inkluderas variablerna Skyllaij, Förebyggaij samt Skattefinansieringi. Skattefinansieringi är en dummyvariabel som indikerar att respondenten i har uppgivit att förebyggande behandlingar bör finansieras med skatter. Skyllaij indikerar att individ i uppgivit
att en person helt eller delvis får skylla sig själv om de drabbas av sjukdomstillstånd j. Även
Förebyggaij innefattar en skattning per sjukdomstillstånd och indikerar att individen i anser att det helt eller delvis går att förebygga sjukdom j utan inblandning av sjukvården. Resterande variabler inkluderas främst som kontrollvariabler. Förväntade effekter och närmare beskrivning av variablerna presenteras i tabell 3a samt 3b. Waldtester kommer att utföras för att testa om uppfattningarna simultant har någon effekt på betalningsviljan. Alla modeller estimeras med Stata 16. Parvisa korrelationer mellan alla oberoende variabler har även estimerats och dess resultat tyder på att multikollinearitet ej förekommer i datasetet, dessa parvisa korrelationer går att finna i bilaga 8. Regressionerna kommer att utföras dels för hela datasetet, dels uppdelat för de psykiska och somatiska sjukdomstillstånden.
Tabell 3a. Oberoende variabler och förväntad effekt på betalningsviljan
Variabel Förklaring Mätteknik Förväntad effekt
Sjukdomsspecifika variabler
Hälsobörda Skattad hälsobörda 0-100 1 Förväntas resultera i en
högre betalningsvilja Kontakt Om respondenten själv eller
närstående har blivit diagnostiserad med sjukdomen
Binär,1 =Ja, 0=Nej/Vill ej svara
Förväntas resultera i en högre betalningsvilja
Risk Uppskattad risk att själv diagnostiseras med sjukdomen inom
två år
0-100 2 Förväntas resultera i en
högre betalningsvilja
Uppfattningar
Skylla Anser att en person får “skylla sig själv” om de diagnostiseras med
sjukdomen
Binär, 1=Håller helt eller delvis
med 3
Förväntas resultera i en lägre betalningsvilja
Förebygga Anser att det går att förebygga sjukdomen utan inblandning av
professionell hjälp
Binär, 1=Är helt eller delvis möjligt
Förväntas resultera i en lägre betalningsvilja
Skattefinansiering Anser att preventiv vård bör finansieras med skatter
Binär, 1=Ja 0=Annat Förväntas resultera i en lägre privat betalningsvilja (eventuellt genom. protestsvar)
1 Ordinalskala 0–100, där 100 representerar värsta tänkbara hälsa 2 Ordinalskala 0–100, där 0-ingen risk och 100-med säkerhet
3 Ursprungligt undersökt genom en likertskala 1-5, 0=Varken instämmer eller tar avstånd, tar delvis avstånd eller instämmer inte alls
Tabell 3b. Kontrollvariabler
Variabel Förklaring Mätteknik
Demografiska variabler
Utlandsfödd Född i annat land än Sverige Binär, 1=Ja
0=Nej
Kvinna Kön Binär, 1=Kvinna
0=Man
Ålder 2 Respondentens ålder Kontinuerlig
Låg_inkomst En månatlig bruttoinkomst på 1–9 999 kronor
Binär 1=Ja 0=Nej, högre
inkomst Medicinstudent Om individen studerar inom hälsovetenskaper eller
medicinska vetenskaper1
Binär, 1=Ja 0=Nej Handelshögskolan Om individen studerar på handelshögskolan Binär, 1=Ja
0=Nej
1 Innefattar exempelvis de som studerar till arbetsterapeut, audionom, biomedicinsk analytiker, idrottsledare, idrottslärare, läkare, röntgensjuksköterska, sjuksköterska, specialistsjuksköterska eller tränare
2 Beräknad från respondentens födelseår och är avrundat till hela år
En kvot som visar respondenternas betalningsvilja för att förebygga en enhet hälsobörda för respektive sjukdomstillstånd kommer även att beräknas. Denna kvot tar därmed hänsyn till en eventuell skillnad i hälsobörda och tillåter en rättvis jämförelse av betalningsviljan mellan sjukdomstillstånden. Denna kvot beräknas genom att dividera respondenternas betalningsvilja med den skattade hälsobördan, i enlighet med Smith et al. (2012). Då det är en preventiv behandling som värderas är det även viktigt att ta hänsyn till möjligheten att respondenterna redan lider av någon av sjukdomarna. Om detta är fallet torde skattningen av hälsobörda med sjukdomen vara identisk med den initiala skattningen av hälsobörda. I denna studie kommer därav även differensen mellan den ursprungliga hälsobördan och den uppskattade hälsobördan med respektive sjukdom ligga till grund för denna jämförelse för att inkorporera denna möjlighet. Dessa skattningar baseras på det grövre rensade datasetet. Även dessa statistiska presenteras med spridnings- och lägesmått, samt eventuella skillnader mellan sjukdomstillstånden testas med ensidiga wilcoxon teckenrangtest.
7. Resultat
Tabell 4 visar på läges- och spridningsmått för betalningsviljan för alla fyra sjukdomstillstånd. Resultaten visar på en högre betalningsvilja för depression jämfört med resterande sjukdomstillstånd, oavsett vilket dataset som används. Sett till det rensade datasetet visar resultaten en genomsnittlig månatlig betalningsvilja på 911 kronor för en preventiv behandling av depression, 612 kronor för ryggvärk, 525 kronor för migrän och 726 kronor för utmattningssyndrom. Skattningarnas spridning åskådliggörs i figur 3 samt figur 4. Genom att rensa datasetet från de orimliga skattningarna, minskar av naturliga skäl betalningsviljan då ett antal höga skattningar exkluderats. En stor majoritet av respondenterna är intresserade av de preventiva behandlingarna, vilket avspeglas av de respondenter som har en positiv betalningsvilja. 93 procent av respondenterna är intresserad av den preventiva behandlingen för depression, respektive 89 procent för ryggvärk, 87 procent för migrän samt 89 procent för utmattningssyndrom. Endast cirka en tredjedel av respondenterna har dock angivit att de är säkra i sina skattningar av betalningsvilja. Att exkludera de respondenter som ej är säkra på sina skattningar förändrar inte dessa resultat, dessa urval uppvisar istället högre betalningsvilja för alla fyra behandlingar jämfört med då alla skattningar inkluderas.
Tabell 4. Månatlig maximal betalningsvilja för en preventiv behandling (SEK)
Medelvärde (sd) median min max N n
Ryggvärk Hela urvalet 756 (1809) 350 0 20000 720 180 Rensat 1 596 (849) 325 0 5000 712 178 Grovt rensat 2 612 (864) 375 0 5000 680 170 Betalningsvilja >0 856 (1903) 500 10 20000 636 159 Endast säkra 3 840 (1443) 500 0 10000 244 61 Rensat + säkra 688 (830) 450 0 5000 240 60 Depression Hela urvalet 1067 (1995) 500 0 20000 724 181 Rensat1 911 (1245) 500 0 8000 716 179 Grovt rensat 2 914 (1251) 500 0 8000 708 177 Betalningsvilja >0 1142 (2044) 500 5 20000 676 169 Endast säkra 3 1144 (1658) 500 0 10000 244 61 Rensat + säkra 996 (1208) 500 0 5000 240 60 Migrän Hela urvalet 635 (1653) 250 0 20000 724 181 Rensat 1 528 (805) 250 0 5000 720 180 Grovt rensat 2 538 (834) 250 0 5000 644 161 Betalningsvilja >0 732 (1754) 300 2 20000 628 157 Endast säkra 3 659 (993) 400 0 5000 244 61 Rensat + säkra 659 (993) 400 0 5000 244 61 Utmattningssyndrom Hela urvalet 726 (1093) 500 0 7000 716 179 Rensat 1 726 (1093) 500 0 7000 716 179 Grovt rensat 2 740 (1110) 500 0 7000 688 172 Betalningsvilja >0 817 (1127) 500 15 7000 636 159 Endast säkra 3 911 (1386) 400 0 7000 244 61 Rensat + säkra 911 (1386) 400 0 7000 244 61 1 Rensat då betalningsviljan>inkomst
2 Rensat då betalningsviljan>inkomst, samt då respondenten angivit en hälsoförbättring med respektive sjukdom jämfört med ursprungshälsan
3 Definieras som ≥8 på likertskalan där tio motsvarar helt säker Källa: Egeninsamlad data
Figur 3. Månatlig betalningsvilja (SEK) - Figur 4. Månatlig betalningsvilja (SEK)- hela urvalet hela urvalet utan extremvärden
De wilcoxon teckenrangtest som utförts, se tabell 5, visar att betalningsviljan för prevention är