暴露于较低浓度的空气污染对美国医疗保险参与者和脆弱亚群体的死亡率的长期影响：一种双重稳健的方法思维导图

以美国 2000 年初至 2016 年底期间年满 65 岁并参加 Medicare 的患者为研究对象

低于美国法规推荐的最大浓度的个体

包括年龄、性别、种族和医疗补助资格（低收入者的补充保险）

从美国十年一次人口普查和美国社区调查生成的数据中获取（2000年、2010年、2011年、2012年、2013年、2014年、2015年），其余年份的值通过插值获得

进一步从行为风险因素监测系统中获取县级层面的人口吸烟率和平均体重指数信息

使用达特茅斯健康图集来获取受益人中一年内至少进行一次血红蛋白 A1c 检测的比例、65 岁以上糖尿病患者一年内进行血脂检测的比例、一年内进行眼科检查的比例、一年内至少进行一次门诊就诊的比例以及女性受益人两年内进行rufang X 光检查的比例

从联邦医疗保险提供者分析和审查（MEDPAR）数据集的住院数据中获得了关于人群中肺癌发病率的信息

包括美国人口普查定义的居住区域划分以及到最近医院的距离信息，距离通过 2010 年 ESRI 数据中邮政编码质心到最近设施的距离计算

使用 gridMET 数据集提供的每日估计气象参数确定温度水平，并聚合到邮政编码和年份，分为暖季（4 - 9 月平均温度）和冷季（1 - 3 月及 10 - 12 月平均温度）变量

通过倾向匹配得分和结果回归两种机制考虑混杂因素

然后运行线性概率模型估计给定协变量和暴露下的死亡概率，模型中暴露变量为关注的空气污染物（PM2.5、NO2 和 O3），协变量向量包括三次项的其他污染物、温度变量、年龄和家庭收入中位数等，方程通过上一步计算的权重加权。对每种暴露，在 IPW 和结果回归中均调整其他两种污染物。使用稳健标准误差考虑异方差性。

进行单污染物分析以作对比

通过按医疗补助资格、种族、性别、年龄组、人口密度四分位数、西班牙裔人口比例和家庭收入中位数进行分层，以确定易受潜在环境公正问题影响的脆弱亚组，并分析效应测量修正（EMM）

计算 E 值以确定未测量混杂因素需要与暴露和结局有多大强度的关系才能使效应估计变为零，从而判断分析对未测量混杂因素的稳健性

在倾向匹配得分模型中添加所有连续预测变量的三次项，在结果回归模型中添加二次项，以观察这种调整是否会改变效应估计

评估协变量（加权后）的平衡性，通过计算暴露与连续变量之间的平均绝对相关系数，并测试使用三次项是否比二次项更好