Кратко — какие объяснения и как проект исследования выявил бы их вклад.
1) Возможные социологические объяснения (с индикаторами)
- Структурные (системные): доступ к ресурсам, страхование, транспорт, плотность врачей, оснащённость клиник, языковая поддержка.
- Индикаторы: доход, образование, жильё, страховой статус, время до клиники, кадровые/технические показатели клиники.
- Культурные: разные представления о здоровье, доверие к медицине, языковые барьеры, медицинская грамотность, предпочтения лечения, семейные практики.
- Индикаторы: языковая конкордантность врач‑пациент, шкалы доверия, LHL (low health literacy), религиозные/культурные практики.
- Дискриминационные (прямые/косвенные): предвзятость врачей (явная/неявная), стереотипы, институциональная дискриминация в протоколах, сегрегация клиник.
- Индикаторы: различия в назначениях/времени приёма при контроле за клиническими данными, результаты «аудита» (стандартизованные пациенты), IAT у провайдеров, необъяснимые остатки в моделях.
2) Основная идея дизайна исследования (сочетание количественного и качественного)
- Данные: объединить электронные медицинские записи (EHR)/клинико‑административные данные + опросы пациентов + опросы провайдеров + данные по клиникам + эксперимент/аудит.
- Выборка: репрезентативные популяции разных этнических групп, много клиник (для многомерности), стандартизованные пациенты или вишневые звонки для теста дискриминации.
- Подход: смешанный (mixed methods): статистический разложение вкладов + эксперименты/аудит + качественные интервью для интерпретации.
3) Конкретные количественные методы и как они разделяют вклад
- Многоуровневые модели (разделение на уровень пациента и клиники):
$$Y_{ij}={\beta }_0+{\beta }_1{\text{Ethnicity}}_{ij}+{\beta }_2{X}_{ij}+u_j+{\epsilon }_{ij},$$ где $u_j\sim N(0,{\sigma }_u^2)$ — эффект клиники, ${\epsilon }_{ij}\sim N(0,{\sigma }_{\epsilon }^2)$. Доля вариации, приходящаяся на клиники:
$$\text{ICC}=\frac{{\sigma }_u^2}{{\sigma }_u^2+{\sigma }_{\epsilon }^2}.$$ Интерпретация: большая доля на уровне клиники указывает на структурные/институционные факторы.
- Oaxaca–Blinder декомпозиция (разделяет разницу в средних на объяснённую наблюдаемыми характеристиками и необъяснённую):
$$\Delta ={\bar{Y}}_A-{\bar{Y}}_B=({\bar{X}}_A-{\bar{X}}_B)\hat{\beta }+{\bar{X}}_B({\hat{\beta }}_A-{\hat{\beta }}_B),$$ первая часть — «объяснённая» (структурные/культурные, если измерены в $X$), вторая — «необъяснённая» (возможно дискриминация).
- Медиативный анализ (оценка путей):
Обозначим $M$ — медиатор (напр., доступ или языковая поддержка). Тогда
$$TE=DE+IE,$$ где $TE$ — общий эффект этничности на исход, $IE$ — косвенный эффект через $M$, $DE$ — прямой эффект (возможная дискриминация или немеренные факторы). Можно применять контрфактуальную медиативную декомпозицию.
- Эксперимент/аудит:
Стандартизованные пациенты или рандомизированная смена предоставления интерпретатора/культурной медиаторской службы. Разница в ответе на одинаковые клинические сценарии указывает на дискриминацию (если структура и культура контролируются экспериментально).
- Контрфактуальные/каузальные методы:
propensity score matching или IV (инструмент) для контроля селекции; sensitivity analysis (Rosenbaum bounds, Oster) для учета невидимых конфoundеров.
4) Как измерить вклад каждого типа объяснений практически
- Последовательная регрессия: сначала контролируем базовые демографы, затем добавляем структурные переменные (до какого пункта уменьшается коэффициент этничности — это вклад структуры), затем добавляем культурные переменные (еще снижение → вклад культуры); оставшаяся часть — необъяснённая → подозрение на дискриминацию.
Формально: коэффициент этничности ${\beta }^{(0)}$ без контролей, после добавления набора $S$ становится ${\beta }^{(S)}$. Доля объяснённого:
$$\text{explained\%}=\frac{{\beta }^{(0)}-{\beta }^{(S)}}{{\beta }^{(0)}}.$$ - Oaxaca–Blinder даёт численные доли «объяснённого» и «необъяснённого».
- Многоуровневая декомпозиция для вкладов клиник vs индивидов (через ${\sigma }_u^2$ и ${\sigma }_{\epsilon }^2$).
- Аудит/эксперимент даёт прямую оценку дискриминации (когда все прочее одинаково).
- Качественные интервью объясняют механизмы (почему культурные факторы важны, как проявляется институциональная политика).
5) Проверки робастности и этика
- Робастность: разные спецификации, подвыборки, IV, sensitivity analysis к невидимым факторам.
- Этика: защита данных, информированное согласие, тщательный этичный дизайн аудита/стандартизованных пациентов.
Короткий план последовательных шагов реализации
1. Сбор EHR + опросы пациентов и провайдеров + данные по клиникам + эксперимент/аудит.
2. Описательная статистика, визуализация разниц.
3. Многоуровневые модели для оценки клинической/индивидуальной доли вариации.
4. Oaxaca–Blinder и последовательные регрессии для количественного разложения «объяснено» vs «необъяснено».
5. Медиативный анализ для путей (структура→культура→исход).
6. Аудит/эксперимент для прямой проверки дискриминации.
7. Качественные интервью для контекстуализации результатов.
Если нужно, могу дать шаблон переменных/вопросов для опроса и конкретные модели для R/STATA/набор переменных.