Estimation Strategies for Causal Decomposition Analysis with Allowability Specifications

1. Formulação do Problema

A Análise de Decomposição Causal (ADC) é um quadro utilizado para quantificar quanto de uma disparidade observada em um resultado entre grupos sociais (por exemplo, grupos raciais/étnicos) poderia ser eliminada por uma intervenção hipotética em um fator específico (o "ponto de intervenção", $Z$). Diferentemente da decomposição estatística tradicional (por exemplo, Oaxaca-Blinder), a ADC incorpora inferência causal e especificações de admissibilidade:

• Admissibilidade do Resultado ($A_y$): Covariáveis consideradas fontes "justas" de diferenças no resultado (por exemplo, necessidade clínica) que devem ser equilibradas entre os grupos para definir a disparidade.
• Admissibilidade da Intervenção ($A_z$): Covariáveis apropriadas para orientar a intervenção (por exemplo, estado de saúde basal determinando elegibilidade ao tratamento).

O Desafio: Embora a ADC ofereça uma interpretação causal robusta, sua estimativa é repleta de dificuldades:

1. Modelagem de Densidade: Muitos estimadores existentes exigem a modelagem correta da densidade condicional do ponto de intervenção ($Z$) ou de covariáveis não admissíveis ($N$). Isso é particularmente desafiador quando $Z$ é contínuo ou multivariado.
2. Robustez: Estimadores padrão frequentemente falham se os modelos de incômodo (regressões de resultado ou modelos de densidade) estiverem mal especificados.
3. Falta de Diagnósticos: Existem poucas ferramentas para avaliar a qualidade dos modelos de densidade ou funções de ponderação exigidas por esses estimadores.
4. Ambiguidade: A distinção entre ADC e decomposição estatística tradicional é frequentemente pouco clara para pesquisadores aplicados, limitando a adoção.

2. Metodologia

Os autores propõem um "tour" abrangente de estratégias de estimativa, categorizando-as conforme modelam densidades ou utilizam técnicas de "ponte", e pela sua estrutura de regressão (Ponderação Pura, Regressão Sequencial, Regressão Ponderada Sequencial).

A. Quadro Central

O estimando $\theta^*_1$ representa o resultado esperado para o grupo desfavorecido ($G=1$) sob uma intervenção hipotética onde a distribuição de $Z$ é deslocada para corresponder ao grupo favorecido ($G=0$), condicionado às admissibilidades ($A_z, A_y$).

• Densidades Críticas: A estimativa depende de duas "densidades críticas":
  • $\lambda^Z_0 = P_0(Z | A_z, A_y)$: A distribuição de $Z$ no grupo favorecido.
  • $\lambda^N_1 = P_1(N | A_z, A_y)$: A distribuição de não admissíveis no grupo desfavorecido.

B. Estratégias de Estimativa

O artigo introduz e generaliza quatro classes principais de estimadores:

1. Estimador Linear (E-OBD):

   • Uma extensão da decomposição Oaxaca-Blinder.
   • Assume um modelo de resultado linear.
   • Limitação: Altamente restritivo; exige especificação correta do modelo linear e ausência de interações de ordem superior.

2. Estratégias de Modelagem de Densidade:

   • Modelagem de Z: Modela $\lambda^Z_0$ (densidade de $Z$) e utiliza dados empíricos para $N$.
   • Modelagem de N: Modela $\lambda^N_1$ (densidade de $N$) e utiliza dados empíricos para $Z$.
   • Subtipos: Ponderação Pura (PP), Regressão Sequencial (RS) e Regressão Ponderada Sequencial (RPS).
   • Fraqueza: Exige especificação correta do modelo de densidade, o que é difícil para variáveis contínuas.

3. Estratégias de Ponte de Densidade (Contribuição Novel):

   • Conceito: Evita modelar $\lambda^Z_0$ ou $\lambda^N_1$ inteiramente, construindo grupos amostrais artificiais ($G=\breve{a}$ para ponte de Z, $G=\diamond$ para ponte de N).
   • Mecanismo: Esses grupos artificiais possuem distribuições conjuntas específicas que permitem que as razões de densidade sejam reexpressas como funções de odds (razões de probabilidades), que podem ser estimadas via regressão logística sem modelar as densidades subjacentes.
   • Subtipos: Ponte-Z e Ponte-N, implementadas via PP, RS e RPS.
   • Vantagem: "Totalmente robustas", pois não exigem que nenhum modelo de densidade específico esteja correto.

4. Estimadores de Regressão Ponderada Sequencial (RPS):

   • Os autores introduzem estimadores RPS novel para todas as estratégias.
   • Multiplicamente Robustos: Esses estimadores permanecem consistentes se qualquer uma de várias combinações de componentes de incômodo (modelos de resultado ou funções de ponderação) estiver corretamente especificada.
   • Eles utilizam propriedades de "recuperação da média" de modelos de regressão ajustados a amostras ponderadas.

C. Diagnósticos

O artigo propõe diagnósticos específicos para avaliar a qualidade do estimador antes da obtenção dos resultados finais:

• Diagnósticos de Densidade: Verifica se as densidades críticas modeladas ($\lambda^Z_0, \lambda^N_1$) preveem corretamente a média do resultado em amostras artificiais.
• Diagnósticos de Ponderação: Avalia o equilíbrio de covariáveis (equilíbrio alvo) para garantir que os pesos deslocam com sucesso a distribuição observada para a distribuição alvo.

3. Contribuições Principais

1. Estimadores de "Ponte" Novos: Introdução de estimadores que contornam a necessidade de modelar densidades complexas utilizando amostras artificiais construídas e representações de funções de odds.
2. Estimadores RPS Multiplicamente Robustos: Desenvolvimento de uma classe de estimadores que são consistentes sob múltiplos cenários de má especificação do modelo, aumentando significativamente a robustez em relação aos métodos existentes.
3. Diagnósticos Formais: Fornecimento de um quadro baseado em design para analistas validarem modelos de densidade e funções de ponderação, abordando uma lacuna na implementação prática.
4. Unificação da Literatura: Esclarecimento da relação entre ADC e decomposição estatística tradicional (Oaxaca-Blinder, Fairlie), mostrando como a ADC generaliza esses métodos sob suposições causais.
5. Extensão para $Z$ Multivariado/Contínuo: Demonstração de que estratégias de ponte funcionam efetivamente para pontos de intervenção contínuos e multivariados, onde a modelagem de densidade frequentemente falha.

4. Resultados

Os autores validaram seus métodos através de um estudo de simulação baseado em dados do mundo real (tratamento de hipertensão) e uma aplicação a registros eletrônicos de saúde (RES) do sistema de Médicos Comunitários Johns Hopkins.

• Estudo de Simulação:

  • Modelos Corretos/Flexíveis: Todos os estimadores foram consistentes.
  • Modelos Mal Especificados: Os estimadores Ponte-N-RPS e Ponte-Z-RPS demonstraram desempenho superior, mantendo viés baixo e cobertura precisa mesmo quando os modelos de incômodo estavam mal especificados.
  • Estimador Linear: Desempenhou bem para resultados contínuos, mas falhou para resultados binários devido à má especificação do modelo.
  • Robustez: Os estimadores RPS mostraram propriedades "multiplicamente robustas", permanecendo consistentes quando combinações específicas de modelos estavam incorretas.

• Aplicação de Dados (Disparidades em Hipertensão):

  • Contexto: Análise de disparidades em hipertensão não controlada entre pacientes negros e brancos.
  • Intervenção: Eliminar hipoteticamente a disparidade racial na "intensificação do tratamento" (aumento da medicação).
  • Descoberta: A disparidade na intensificação do tratamento foi pequena (1,9%). Consequentemente, eliminar essa disparidade teria um impacto negligenciável na disparidade geral de hipertensão não controlada.
  • Implicação: Intervenções focadas apenas na intensificação do tratamento são insuficientes para fechar a lacuna da hipertensão; outros fatores devem ser abordados.

5. Significado

Este artigo avança significativamente o campo da equidade em saúde e da inferência causal ao:

• Reduzir a Barreira de Entrada: Ao fornecer estimadores de "ponte" que evitam a modelagem de densidade difícil, a ADC torna-se acessível para estudos com variáveis de intervenção contínuas ou complexas.
• Aumentar a Confiabilidade: Os estimadores RPS multiplicamente robustos e os diagnósticos propostos fornecem uma rede de segurança contra má especificação do modelo, uma armadilha comum na análise causal.
• Relevância para Políticas Públicas: A aplicação demonstra como a ADC pode distinguir entre disparidades causadas por acesso (intervenção) versus outros fatores, orientando os formuladores de políticas a focar recursos onde realmente reduzirão as lacunas de resultados.
• Clareza Teórica: Liga formalmente a decomposição causal a funções de influência e técnicas de decomposição padrão, fechando a lacuna entre econometria e epidemiologia.

Em conclusão, os autores fornecem um conjunto de ferramentas rigoroso, flexível e prático para pesquisadores que visam decompor disparidades em saúde enquanto respeitam restrições éticas de "admissibilidade", movendo o campo além de simples associações estatísticas em direção a insights causais acionáveis.