Estimation Strategies for Causal Decomposition Analysis with Allowability Specifications

1. Enunciato del Problema

L'Analisi di Decomposizione Causale (CDA) è un quadro concettuale utilizzato per quantificare quanto di una disparità osservata negli esiti tra gruppi sociali (ad esempio, gruppi razziali/etnici) potrebbe essere eliminata intervenendo ipoteticamente su un fattore specifico (il "punto di intervento", $Z$). A differenza della decomposizione statistica tradizionale (ad esempio, Oaxaca-Blinder), la CDA incorpora l'inferenza causale e le specifiche di ammissibilità:

• Ammissibilità dell'Esito ($A_y$): Le covariate considerate fonti "equi" delle differenze negli esiti (ad esempio, il bisogno clinico) che dovrebbero essere bilanciate tra i gruppi per definire la disparità.
• Ammissibilità dell'Intervento ($A_z$): Le covariate appropriate per guidare l'intervento (ad esempio, lo stato di salute di base che determina l'idoneità al trattamento).

La Sfida: Sebbene la CDA offra un'interpretazione causale robusta, la sua stima è piena di difficoltà:

1. Modellazione della Densità: Molti stimatori esistenti richiedono la corretta modellazione della densità condizionata del punto di intervento ($Z$) o delle covariate non ammissibili ($N$). Ciò è particolarmente impegnativo quando $Z$ è continuo o multivariato.
2. Robustezza: Gli stimatori standard spesso falliscono se i modelli di disturbo (regressioni degli esiti o modelli di densità) sono specificati in modo errato.
3. Mancanza di Diagnostica: Esistono pochi strumenti per valutare la qualità dei modelli di densità o delle funzioni di ponderazione richieste da questi stimatori.
4. Ambiguità: La distinzione tra CDA e decomposizione statistica tradizionale è spesso poco chiara per i ricercatori applicati, limitandone l'adozione.

2. Metodologia

Gli autori propongono un "tour" completo delle strategie di stima, categorizzandole in base al fatto che modellino le densità o utilizzino tecniche di "ponte", e in base alla loro struttura di regressione (Pura Ponderazione, Regressione Sequenziale, Regressione Sequenziale Ponderata).

A. Quadro Concettuale di Base

Il parametro di interesse $\theta^*_1$ rappresenta l'esito atteso per il gruppo svantaggiato ($G=1$) sotto un intervento ipotetico in cui la distribuzione di $Z$ viene spostata per corrispondere a quella del gruppo avvantaggiato ($G=0$), condizionatamente alle ammissibilità ($A_z, A_y$).

• Densità Critiche: La stima si basa su due "densità critiche":
  • $\lambda^Z_0 = P_0(Z | A_z, A_y)$: La distribuzione di $Z$ nel gruppo avvantaggiato.
  • $\lambda^N_1 = P_1(N | A_z, A_y)$: La distribuzione delle non ammissibili nel gruppo svantaggiato.

B. Strategie di Stima

Il documento introduce e generalizza quattro classi principali di stimatori:

1. Stimatore Lineare (E-OBD):

   • Un'estensione della decomposizione Oaxaca-Blinder.
   • Assume un modello di esito lineare.
   • Limitazione: Altamente restrittivo; richiede una corretta specificazione del modello lineare e l'assenza di interazioni di ordine superiore.

2. Strategie di Modellazione della Densità:

   • Modellazione di Z: Modella $\lambda^Z_0$ (densità di $Z$) e utilizza dati empirici per $N$.
   • Modellazione di N: Modella $\lambda^N_1$ (densità di $N$) e utilizza dati empirici per $Z$.
   • Sottotipi: Pura Ponderazione (PW), Regressione Sequenziale (SR) e Regressione Sequenziale Ponderata (SWR).
   • Debolezza: Richiede una corretta specificazione del modello di densità, il che è difficile per le variabili continue.

3. Strategie di Ponte di Densità (Contributo Novello):

   • Concetto: Evita completamente la modellazione di $\lambda^Z_0$ o $\lambda^N_1$ costruendo gruppi campionari artificiali ($G=\breve{a}$ per il ponte Z, $G=\diamond$ per il ponte N).
   • Meccanismo: Questi gruppi artificiali hanno distribuzioni congiunte specifiche che permettono di riesprimere i rapporti di densità come funzioni di odds (rapporti di probabilità), che possono essere stimati tramite regressione logistica senza modellare le densità sottostanti.
   • Sottotipi: Ponte Z e Ponte N, implementati tramite PW, SR e SWR.
   • Vantaggio: "Completamente robusti" poiché non richiedono che alcun modello di densità specifico sia corretto.

4. Stimatori di Regressione Sequenziale Ponderata (SWR):

   • Gli autori introducono nuovi stimatori SWR per tutte le strategie.
   • Multiplamente Robusti: Questi stimatori rimangono consistenti se una qualsiasi di diverse combinazioni di componenti di disturbo (modelli di esito o funzioni di ponderazione) è correttamente specificata.
   • Sfruttano le proprietà di "recupero della media" dei modelli di regressione adattati a campioni ponderati.

C. Diagnostica

Il documento propone diagnostiche specifiche per valutare la qualità degli stimatori prima dell'ottenimento dei risultati finali:

• Diagnostica della Densità: Verifica se le densità critiche modellate ($\lambda^Z_0, \lambda^N_1$) predicono correttamente l'esito medio nei campioni artificiali.
• Diagnostica dei Pesi: Valuta l'equilibrio delle covariate (equilibrio target) per garantire che i pesi spostino con successo la distribuzione osservata verso la distribuzione target.

3. Contributi Chiave

1. Nuovi Stimatori di "Ponte": Introduzione di stimatori che bypassano la necessità di modellare densità complesse utilizzando campioni artificiali costruiti e rappresentazioni tramite funzioni di odds.
2. Stimatori SWR Multiplamente Robusti: Sviluppo di una classe di stimatori che sono consistenti in molteplici scenari di specificazione errata del modello, aumentando significativamente la robustezza rispetto ai metodi esistenti.
3. Diagnostica Formale: Fornitura di un quadro basato sul disegno per permettere agli analisti di convalidare i modelli di densità e le funzioni di ponderazione, colmando una lacuna nell'implementazione pratica.
4. Unificazione della Letteratura: Chiarimento della relazione tra CDA e decomposizione statistica tradizionale (Oaxaca-Blinder, Fairlie), mostrando come la CDA generalizzi questi metodi sotto ipotesi causali.
5. Estensione a $Z$ Multivariato/Continuo: Dimostrazione che le strategie di ponte funzionano efficacemente per punti di intervento continui e multivariati, dove la modellazione della densità spesso fallisce.

4. Risultati

Gli autori hanno validato i loro metodi attraverso uno studio di simulazione basato su dati reali (trattamento dell'ipertensione) e un'applicazione a cartelle cliniche elettroniche (EHR) del sistema dei Medici Comunitari della Johns Hopkins.

• Studio di Simulazione:

  • Modelli Corretti/Flessibili: Tutti gli stimatori sono stati consistenti.
  • Modelli Specificati Erratamente: Gli stimatori N-Bridge-SWR e Z-Bridge-SWR hanno dimostrato prestazioni superiori, mantenendo un basso bias e una copertura accurata anche quando i modelli di disturbo erano specificati in modo errato.
  • Stimatore Lineare: Ha funzionato bene per esiti continui ma è fallito per esiti binari a causa di una specificazione errata del modello.
  • Robustezza: Gli stimatori SWR hanno mostrato proprietà "multiplamente robuste", rimanendo consistenti quando combinazioni specifiche di modelli erano errate.

• Applicazione ai Dati (Disparità nell'Ipertensione):

  • Contesto: Analisi delle disparità nell'ipertensione non controllata tra pazienti neri e bianchi.
  • Intervento: Eliminazione ipotetica della disparità razziale nell'"intensificazione del trattamento" (aumento della terapia farmacologica).
  • Risultato: La disparità nell'intensificazione del trattamento era piccola (1,9%). Di conseguenza, eliminare questa disparità avrebbe avuto un impatto trascurabile sulla disparità complessiva nell'ipertensione non controllata.
  • Implicazione: Gli interventi che mirano esclusivamente all'intensificazione del trattamento sono insufficienti a colmare il divario nell'ipertensione; devono essere affrontati altri fattori.

5. Significato

Questo documento fa avanzare significativamente il campo dell'equità sanitaria e dell'inferenza causale:

• Abbassamento della Barriera all'Ingresso: Fornendo stimatori di "ponte" che evitano la difficile modellazione della densità, la CDA diventa accessibile per studi con variabili di intervento continue o complesse.
• Miglioramento dell'affidabilità: Gli stimatori SWR multiplamente robusti e le diagnostiche proposte offrono una rete di sicurezza contro la specificazione errata del modello, un errore comune nell'analisi causale.
• Rilevanza Politica: L'applicazione dimostra come la CDA possa distinguere tra disparità causate dall'accesso (intervento) e quelle causate da altri fattori, guidando i decisori politici a concentrare le risorse dove ridurranno effettivamente i divari negli esiti.
• Chiarezza Teorica: Collega formalmente la decomposizione causale alle funzioni di influenza e alle tecniche di decomposizione standard, colmando il divario tra econometria ed epidemiologia.

In conclusione, gli autori forniscono un toolkit rigoroso, flessibile e pratico per i ricercatori che mirano a decomporre le disparità sanitarie rispettando le vincoli etici di "ammissibilità", spostando il campo oltre le semplici associazioni statistiche verso intuizioni causali attuabili.