Causal Variance Decompositions for Measuring Health Inequalities

Comparison of hospital performance may reveal inequalities in care delivery between sociodemographic groups, which may be explained by selection or actual effect modification. Recent causal inference literature has studied causal effect decompositions to quantify sources of observed disparities in outcomes but usually limiting this to pairwise comparisons. We consider the multi-categorical case and argue that, in the hospital profiling/quality of care comparison context, the relevant quantity to decompose is the observed variance in care delivery. We propose a new causal variance decomposition where we attribute the observed variation to components describing the main effects of hospital and sociodemographic group, modification of hospital effect by sociodemographic group, selection and residual variance. We give a causal interpretation to the components, propose parametric and non-parametric estimators for them, and demonstrate consistency of the estimators through simulation studies.

Décompositions causales de la variance pour mesurer les inégalités en matière de santé

La comparaison des performances des hôpitaux peut révéler des inégalités dans la prestation des soins entre groupes socio-démographiques, qui peuvent s'expliquer par la sélection ou la modification réelle de l'effet. La littérature récente sur l'inférence causale a étudié les décompositions de l'effet causal pour quantifier les sources des disparités observées dans les résultats, mais en se limitant généralement à des comparaisons de paires de résultats. Nous considérons le cas multi-catégoriel et soutenons que, dans le contexte du profilage des hôpitaux et de la comparaison de la qualité des soins, la quantité pertinente à décomposer est la variance observée dans la prestation des soins. Nous proposons une nouvelle décomposition causale de la variance dans laquelle nous attribuons la variation observée à des composantes décrivant les effets principaux de l'hôpital et du groupe socio-démographique, la modification de l'effet de l'hôpital par le groupe socio-démographique, la sélection et la variance résiduelle. Nous donnons une interprétation causale aux composantes, proposons des estimateurs paramétriques et non paramétriques pour ces composantes et démontrons la cohérence des estimateurs par des études de simulation.

Session

Advances in Biostatistical Methods for Complex Data in Health and Ecology

Date and Time