Heterogeneous responses to brazil’s pharmaceutical price cap regulation : evidence from private health insurances and the unified health system

Abstract

Objective: Measure the heterogeneous effects of Brazil’s CMED price-cap regulation on pharmaceutical quantities by comparing observed transaction prices to regulatory maximums across private and public sectors and key product characteristics. Methods: We estimate fixed-effects models, regressing log quantities on the log price-to-cap ratio and its interaction with a public-sector indicator, with product and adjustment validity fixed effects and clustered standard errors. We complement this with a Double Machine Learning (DML) approach that treats discount intensity (the log price ratio) as a continuous treatment and orthogonalizes it, via five-fold cross-fitting, against a high-dimensional set of covariates (e.g. region, prior discount level, market concentration). Results: In the fixed effects estimates, a 1% increase in the observed/cap price ratio associates with a 0.60% increase in private–sector quantities (p < 0.001). The interaction with the public–sector indicator equals −0.64%, which implies a response in public procurement of −0.03%. Using Double Machine Learning (PLR with fixed–effects demeaning and K = 5 folds), the private–sector quantity sensitivity ˆθ ranges from 0.463 to 0.517 across learners (Lasso, CART, Random Forest, XGBoost, Neural Net). The public–sector interaction γˆ ranges from −1.060 to +0.450; it is significantly negative for Lasso (−0.618), Random Forest (−0.484), and Neural Net (−1.060), not significant for XGBoost (−0.281), and positive for CART (+0.450). Discussion: Limitations of the study include the lack of a control non-regulated group and valid instruments, the possibility of measurement error and bias due to omitted variables, the lack of pre-regulatory data to identify the 2004 shock, the dependence on algorithmic and hyperparameter choices in the DML, the simultaneity between price and quantity and unmodeled intertemporal dynamics, panel correlation that can affect inference under different clustering schemes, and registry-level inconsistencies that restrict the set of controls and may induce measurement bias. These limitations restrict the interpretation of the coefficients as conditional associations in the current regime, rather than as fully identified causal effects. Conclusion: A reduction in the discount, which means increasing transaction prices relative to the regulatory cap, increases quantities sold in the private sector, where providers compete based on margin and use higher unit margins to expand volume, but reduces quantities in the public sector, where fixed budgets and centralized negotiations restrict purchases. These opposite effects indicate the distortion of price-cap regulation for medications by healthcare providers operating in supplementary healthcare.

Objetivo: Mensuração dos efeitos heterogêneos da regulação dos tetos de preços da CMED no Brasil, entre 2015 e 2023 sobre as quantidades vendidas de produtos farmacêuticos, comparando os preços observados nas transações com os preços máximos definidos para os setores público e privado. Métodos: Estima-se modelo de efeitos fixos, adotando como variável explicativa principal o logaritmo da razão preço observado sobre o preço teto e sua interação com um indicador de setor público. Incluíram-se efeitos fixos de produto e de vigência do reajuste anual e erros-padrão agrupados por registro. Em complemento, aplica-se Double Machine Learning (DML), tratando a intensidade de desconto (o logaritmo da razão entre preço observado e teto) como tratamento contínuo e ortogonalizando-o, via cross-fitting em cinco blocos, em relação a um conjunto de covariáveis de alta dimensão: região, nível de desconto anterior e concentração de mercado. Resultados: Nas estimativas de efeitos fixos, um aumento de 1% na razão de preços observado/teto está associado a um aumento de 0.60% nas quantidades do setor privado (p < 0.001). A interação com o indicador do setor público é −0.64%, resultando em variação de −0.03% no setor público. Utilizando o Double Machine Learning (PLR com redução de efeitos fixos e dobras de K = 5), a sensibilidade da quantidade do setor privado varia de 0.463 a 0.517 entre os estimadores (Lasso, CART, Random Forest, XGBoost, Neural Net). A interação do setor público γˆ varia de −1.060 a +0.450, sendo estatisticamente significativa e negativa para Lasso (−0.618), Random Forest (−0.484) e Neural Net (−1.060), não significativa no XGBoost (−0.281) e positiva no CART (+0.450). Discussão: Limitações do estudo incluem ausência de grupo de controle não regulado e de instrumentos válidos, possibilidade de erro de mensuração e de viés por variáveis omitidas, inexistência de dados pré-regulatórios para identificar o choque de 2004, dependência das escolhas de algoritmos e hiperparâmetros no DML, simultaneidade entre preço e quantidade e dinâmica intertemporal não modelada, correlação em painel que pode afetar a inferência sob diferentes esquemas de cluster e inconsistências cadastrais ao nível do registro que restringem o conjunto de controles e podem induzir viés de medição. Tais limitações restringem a interpretação dos coeficientes como associações condicionais no regime vigente, e não como efeitos causais plenamente identificados. Conclusão: Uma redução no desconto aumenta as quantidades vendidas no setor privado, em que os provedores competem com base na margem e utilizam margens unitárias mais altas para expandir o volume, mas reduz as quantidades no setor público, onde orçamentos fixos e negociações centralizadas restringem as compras. Esses efeitos opostos indicam a existência de uma distorção da regulação de preço-teto de medicamentos pelos prestadores de assistencia a saude que atuam na saúde suplementar.