评估医疗保健支出中的种族差异：广义倾向得分加权法的应用

为评估种族间医疗保健差异，研究人员用广义倾向得分加权法分析 MEPS 数据，发现差异显著，OWATT 优势明显。

　　在医疗保健领域，尽管这些年医疗服务和利用有了进步，但美国不同种族和族裔群体之间的医疗差距仍然存在。少数族裔在医疗服务的使用和遵循治疗建议方面比例较低，还常常从医疗服务提供者那里得到不同的治疗或建议，这导致他们健康状况更差，预期寿命也更低。

为了深入了解这种种族间的医疗差异，来自杜克大学（Duke University）、北卡罗来纳州立大学（North Carolina State University）等机构的研究人员 Jiajun Liu、Yi Liu 等人开展了一项研究，相关成果发表在《BMC Medical Research Methodology》上。这项研究的意义重大，它通过创新的方法评估了不同种族在医疗保健支出上的差异，为促进医疗公平提供了重要的数据支持和方法参考。

研究人员采用了广义倾向得分加权法（generalized propensity score weighting，GPSW），利用医疗支出面板调查（Medical Expenditure Panel Survey，MEPS）2003 - 2004 年的数据，对白人、西班牙裔、亚裔和黑人这 4 个种族或族裔群体的医疗保健支出差异进行评估。

在研究方法上，研究人员运用了多种关键技术。首先是广义倾向得分方法，通过多项逻辑回归模型（multinomial regression model）来估计广义倾向得分，以此来标准化参与者的特征。该模型以观察到的协变量向量为基础，计算个体属于某一种族群体的概率。其次，研究人员考虑了四种不同的因果估计量和估计方法，即传统的治疗组平均治疗效果（average treatment effect on the treated，ATT）、ATT 修剪、ATT 截断和重叠加权 ATT（overlap weighted ATT，OWATT）。这些方法在多值 “治疗” 框架下应用，“治疗” 由不可操纵的种族或族裔群体成员身份定义。此外，为解决阳性假设（positivity assumption）被违反的问题，研究人员运用了倾向得分修剪、倾向得分截断和重叠权重等方法。同时，研究人员还使用了非参数自抽样法（non-parametric bootstrap method）来估计方差，以确保结果的可靠性。

在研究结果部分：

• 重叠和协变量平衡：通过多项回归估计倾向得分，研究发现不同种族群体的广义倾向得分有一定程度的重叠，但部分得分接近 0 和 1，可能违反阳性假设。在协变量平衡方面，大多数协变量在常规 ATT、截断 ATT 和 OWATT 加权后能实现更好的平衡，OWATT 能使大多数协变量的绝对标准化平均差异更接近 0 且在 0.1 以内，整体协变量平衡效果更好。
• 有效样本量：研究人员评估了不同权重下的有效样本量（effective sample size，ESS）。结果显示，与原始样本量相比，常规 ATT、ATT 修剪、ATT 截断和 OWATT 在除白人组外的其他三个种族组中 ESS 均下降。常规 ATT 和 ATT 修剪的 ESS 相对较小，而 OWATT 和 ATT 截断能显著提高非裔亚裔组的 ESS，在西班牙裔和非裔黑人组中也有类似优势。
• 估计的种族差异因果效应：研究人员考虑了三个阈值来估计 ATT。结果表明，所有方法都认为白人和非裔亚裔组在医疗保健支出上存在显著差异。在白人和西班牙裔的比较中，常规 ATT 和高阈值（α = 0.15）的 ATT 修剪得出无显著差异的结论，而其他方法显示有显著差异。在白人和非裔黑人的比较中，除高阈值的 ATT 修剪外，其他方法均表明存在显著差异。OWATT 的标准误差估计始终较小，在估计种族差异方面效率更高。

在研究结论与讨论部分，研究表明广义倾向得分加权法是评估多个种族和族裔群体差异的有价值的定量工具。OWATT 在处理阳性假设违反问题时表现出色，它减少了修剪和截断方法的主观性，估计标准误差更小，效率更高。通过对广义倾向得分的建模和加权，研究揭示了不同种族群体与白人在医疗保健支出上的显著差异，即使不同方法和阈值下的估计有所不同，但种族差异不可忽视。

不过，研究也存在一些局限性。例如，OWATT 虽然优于其他方法，但它也会改变目标人群，且其权重解释与其他框架不同。此外，选择合适的阈值仍是一个挑战，数据驱动的阈值选择策略在实际应用中仍不明确。未来的研究可以从多个方向展开，如应用该方法评估对照组平均治疗效果（average treatment effect on the control，ATC），研究其他方差估计方法，同时考虑健康状况和社会经济地位（SES）变量来评估种族差异，探索增强或双重稳健估计器，改进处理极端调查权重的方法，以及将该方法应用于生存结局、多源数据和共形推断等领域。

总体而言，这项研究为理解种族间医疗保健支出差异提供了新的视角和方法，OWATT 的应用为后续研究和促进医疗公平提供了有力的支持。