[논문 리뷰] Meaningful causal decompositions in health equity research: definition, identification, and estimation through a weighting framework

John W. Jackson|arXiv (Cornell University)|2019. 09. 22.

Advanced Causal Inference Techniques참고 문헌 18인용 수 6

한 줄 요약

이 논문은 건강 형평성 고려를 인과 추론에 통합하기 위해 '허용 가능한 공변량'—형평성 가치 판단과 부합하는 변수들—를 공식적으로 정의함으로써 통계적 타당성을 유지하면서 인과 분해 프레임워크를 개발한다. 형평성 기반의 선택과 정책적 관련성을 반영한 분해 추정량 및 추정기로 일반화하며, 비율-매개변수-확률 및 역-오즈-비율 가중치와 같은 새로운 가중치 방법을 제안하여 다양한 형평성 가정에 적응한다.

ABSTRACT

Causal decomposition analyses can help build the evidence base for interventions that address health disparities (inequities). They ask how disparities in outcomes may change under hypothetical intervention. Through study design and assumptions, they can rule out alternate explanations such as confounding, selection-bias, and measurement error, thereby identifying potential targets for intervention. Unfortunately, the literature on causal decomposition analysis and related methods have largely ignored equity concerns that actual interventionists would respect, limiting their relevance and practical value. This paper addresses these concerns by explicitly considering what covariates the outcome disparity and hypothetical intervention adjust for (so-called allowable covariates) and the equity value judgements these choices convey, drawing from the bioethics, biostatistics, epidemiology, and health services research literatures. From this discussion, we generalize decomposition estimands and formulae to incorporate allowable covariate sets, to reflect equity choices, while still allowing for adjustment of non-allowable covariates needed to satisfy causal assumptions. For these general formulae, we provide weighting-based estimators based on adaptations of ratio-of-mediator-probability and inverse-odds-ratio weighting. We discuss when these estimators reduce to already used estimators under certain equity value judgements, and a novel adaptation under other judgements.

연구 동기 및 목표

• 건강 형평성 고려를 반영하지 않는 기존 인과 분해 방법의 격차를 해결하기 위해, 조정이 허용되는 공변량의 정의에 초점을 맞춘다.
• 형평성 판단을 반영하는 '허용 가능한 공변량' 개념을 인과 분해 프레임워크 내에서 공식화한다.
• 형평성 기반의 공변량 선택을 반영하면서도 식별을 위해 필요한 혼란요인을 조정하기 위한 일반화된 분해 추정량 및 추정기를 개발한다.
• 다양한 형평성 가치 판단에 적응 가능한 유통성 있는 가중치 기반 추정 방법(예: 비율-매개변수-확률 및 역-오즈-비율 가중치)을 제공한다.
• 기존 추정기들이 특정 형평성 가정 하에서 특수한 경우로 나타나는 방식을 설명하고, 다른 윤리적 프레임워크 하에서의 새로운 적응 방법을 제시한다.

제안 방법

• 형평성 판단을 반영하는 '허용 가능한 공변량'의 집합을 포함하는 인과 분해 추정량의 일반화를 제안하며, 식별 가정을 충족하기 위해 허용되지 않는 혼란요인에 대한 조정도 허용한다.
• 비율-매개변수-확률 및 역-오즈-비율 가중치 방법에서 유도된 역확률가중치를 활용한 가중치 기반 추정 프레임워크를 도입한다.
• 일부 정규성 조건 하에서 이중으로 강력한 추정기들을 유도하여, 결과 모델 또는 성향스코어 모델 중 하나가 올바르게 지정되어 있으면 일관성을 확보한다.
• 특정 형평성 가정 하에서 제안된 추정기가 기존에 사용된 방법들(예: 자연적 직접효과 및 간접효과)으로 축소되는 조건을 정의한다.
• 가상의 간섭을 모델링하기 위해 반사적 프레임워크를 사용하여, 형평성 기반 공변량에 기인한 효과와 혼란에 기인한 효과를 구분한다.
• 허용 가능한 공변량과 허용되지 않는 공변량 간의 구분을 명확히 하기 위해 형식적 기호 체계를 도입하여 방법론적 설계의 투명성을 향상시킨다.

실험 결과

연구 질문

• RQ1 어떻게 하면 공변량 선택에 건강 형평성 고려를 명시적으로 통합한 인과 분해 방법을 재정의할 수 있는가?
• RQ2 공변량 조정에서 다양한 형평성 기반 선택이 분해 결과의 해석에 미치는 영향은 무엇인가?
• RQ3 가중치 기반 추정기는 어떤 윤리적 가정 하에서 허용 가능한 공변량에 대한 다양한 형평성 가정에 따라 분해 효과를 추정하도록 적응할 수 있는가?
• RQ4 제안된 추정기가 기존 인과 추론에서 사용된 방법들로 축소되는 조건은 무엇인가?
• RQ5 허용되지 않는 공변량은 식별을 확보하는 데 어떤 역할을 하는가? 그리고 형평성 기반의 해석을 훼손하지 않으면서 어떻게 조정할 수 있는가?

주요 결과

• 제안된 프레임워크는 형평성 기반의 판단을 반영하는 허용 가능한 공변량의 집합을 포함하는 인과 분해 추정량을 일반화한다.
• 비율-매개변수-확률 및 역-오즈-비율 가중치 기반의 가중치 추정기들은 다양한 형평성 가정 하에서 분해 효과를 추정할 수 있도록 한다.
• 특정 형평성 가치 판단 하에서 제안된 추정기는 잘 알려진 추정기들(예: 자연적 직접효과 및 간접효과)으로 축소되어, 이전 방법들과의 일관성을 입증한다.
• 식별을 위해 허용되지 않는 혼란요인에 대한 조정이 가능하면서도 형평성 기반의 공변량 선택의 무결성을 유지할 수 있다.
• 이 방법은 윤리적 고려를 통계 모델링에 통합하는 투명하고 형식적인 메커니즘을 제공하여, 건강 형평성 연구에서 인과 분해의 실용적 관련성을 높인다.
• 보충 자료에는 제안된 프레임워크의 구조를 설명하는 그림이 포함되어 있어 방법론적 적용의 명확성을 지원한다.