[论文解读] Meaningful causal decompositions in health equity research: definition, identification, and estimation through a weighting framework

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

Advanced Causal Inference Techniques参考文献 18被引用 6

一句话总结

本文提出了一种基于权重的因果分解框架，通过正式定义‘可允许协变量’——即与公平性价值判断一致的协变量——将健康公平性考量整合到因果推断中，同时通过调整非可允许混杂因素来保持统计有效性。该框架推广了分解 estimand 和 estimators，以反映伦理和政策相关的选择，提出了诸如‘中介概率比’和‘逆几率比’加权等新型加权方法，可适应不同的公平性假设。

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.

研究动机与目标

• 为解决现有因果分解方法忽视健康公平性考量的问题，特别是未明确定义哪些协变量在伦理上可被调整；
• 在因果分解框架中正式定义‘可允许协变量’的概念——即反映公平性判断的协变量；
• 开发可推广的因果分解 estimand 和 estimators，整合基于公平性的协变量选择，同时仍对识别所必需的混杂因素进行调整；
• 提供基于权重的估计方法（例如，中介概率比和逆几率比加权），以灵活适应不同公平性价值判断；
• 展示现有估计量如何在特定公平性假设下退化为特例，并在替代伦理框架下提出一种新颖的适应方法。

提出的方法

• 提出将因果分解 estimand 一般化，以包含反映公平性判断的‘可允许协变量’集合，同时允许对非可允许混杂因素进行调整，以满足识别假设；
• 引入一种基于权重的估计框架，采用逆概率加权法，并借鉴中介概率比和逆几率比加权方法；
• 推导出在特定正则性条件下具有双重稳健性的估计量，确保若结果模型或倾向得分模型中任一正确指定，估计量即具有一致性；
• 定义在何种条件下所提出的估计量会退化为已有方法（如自然直接效应和间接效应）——在特定公平性假设下；
• 使用反事实框架对结果的假设干预进行建模，区分归因于公平性导向协变量的影响与归因于混杂因素的影响；
• 采用正式的符号系统，明确区分可允许与不可允许协变量，提升方法设计的透明度。

实验结果

研究问题

• RQ1 如何重新定义因果分解方法，以明确纳入协变量选择中的健康公平性考量？
• RQ2 基于公平性的协变量调整选择对分解结果解释有何影响？
• RQ3 如何调整基于权重的估计量，以在不同伦理假设下估计协变量可允许性的分解效应？
• RQ4 在何种条件下，所提出的估计量会退化为因果推断中已有的方法？
• RQ5 不可允许协变量在确保识别中的作用是什么？如何在不损害基于公平性的解释的前提下对其进行调整？

主要发现

• 所提出的框架将因果分解 estimand 一般化，纳入反映伦理和政策相关判断的可允许协变量集合；
• 基于权重的估计量——基于中介概率比和逆几率比加权——可在多种公平性假设下估计分解效应；
• 在特定公平性价值判断下，所提出的估计量退化为广为人知的估计量（如自然直接效应和间接效应），验证了其与现有方法的一致性；
• 该框架允许对不可允许混杂因素进行调整，以满足因果识别，同时保持基于公平性的协变量选择的完整性；
• 该方法为在统计建模中嵌入伦理考量提供了透明且正式的机制，增强了因果分解在健康公平性研究中的实际相关性；
• 补充材料包含一幅图，说明所提框架的结构，有助于方法应用的清晰理解。