[论文解读] The Target Study: A Conceptual Model and Framework for Measuring Disparity

John W. Jackson, Yea‐Jen Hsu+3 more|arXiv (Cornell University)|Jul 1, 2022

Advanced Causal Inference Techniques被引用 8

一句话总结

本文提出了目标研究（Target Study），这是一种基于抽样的概念模型与框架，用于在不干预社会群体归属或协变量的情况下测量差异。它利用G-计算和加权估计量，实现差异的泛化、校正共线性分层偏差，并平衡入组时间，为使用电子病历数据评估高血压控制中的医疗系统差异提供了一种稳健方法，并附有R代码以实现代码复现。

ABSTRACT

We present a conceptual model to measure disparity--the target study--where social groups may be similarly situated (i.e., balanced) on allowable covariates. Our model, based on a sampling design, does not intervene to assign social group membership or alter allowable covariates. To address non-random sample selection, we extend our model to generalize or transport disparity or to assess disparity after an intervention on eligibility-related variables that eliminates forms of collider-stratification. To avoid bias from differential timing of enrollment, we aggregate time-specific study results by balancing calendar time of enrollment across social groups. To provide a framework for emulating our model, we discuss study designs, data structures, and G-computation and weighting estimators. We compare our sampling-based model to prominent decomposition-based models used in healthcare and algorithmic fairness. We provide R code for all estimators and apply our methods to measure health system disparities in hypertension control using electronic medical records.

研究动机与目标

• 开发一种不分配或改变社会群体归属或允许协变量的差异测量概念模型。
• 通过将模型扩展以泛化或转移差异估计，解决非随机样本选择问题。
• 通过在不同社会群体间平衡入组时间，纠正因入组时间差异导致的偏差。
• 提供一个实用框架，通过研究设计、数据结构以及G-计算和逆概率加权等估计量，模拟该模型的实现。
• 将基于抽样的方法与医疗和算法公平性领域中现有的基于分解的模型进行比较。

提出的方法

• 提出一种基于抽样的概念模型，使社会群体在允许协变量上保持平衡，避免对群体归属进行干预。
• 使用G-计算和逆概率加权估计量，在不同研究设计下估计差异。
• 应用可转移性方法，将样本中的差异估计泛化到目标人群。
• 通过建模对资格相关变量的干预，校正共线性分层偏差。
• 通过在不同社会群体间平衡入组的日历时间，消除时间特定结果中的时间相关偏差。
• 使用真实电子病历数据实现该框架，以测量高血压控制中的差异。

实验结果

研究问题

• RQ1 在研究设计中，如何在不分配或改变社会群体归属或协变量的情况下测量差异？
• RQ2 差异入组时间的差异在多大程度上会引入偏差，以及如何纠正这一偏差？
• RQ3 如何将样本中的差异估计泛化或转移至目标人群，以提高外部有效性？
• RQ4 与医疗和算法公平性领域中基于分解的模型相比，基于抽样的模型表现如何？
• RQ5 在观察性健康数据中评估差异时，如何解决共线性分层偏差？

主要发现

• 目标研究框架成功实现了在不干预社会群体归属或协变量的情况下测量差异，同时保持了方法论的完整性。
• 在不同社会群体间平衡入组时间，显著降低了时间特定差异估计中的偏差。
• 使用G-计算和加权估计量，能够在各种抽样和干预情景下实现稳健的差异估计。
• 通过建模对资格相关变量的干预，该框架有效处理了共线性分层偏差。
• 提供的R代码支持所有估计量的可复现实现，增强了透明度和采用率。
• 在电子病历数据中的应用揭示了高血压控制中存在可测量的差异，且该模型相较于传统分解方法提供了更细致的评估。