[論文レビュー] A Meta-Learning Method for Estimation of Causal Excursion Effects to Assess Time-Varying Moderation

Jieru Shi, Walter Dempsey|arXiv (Cornell University)|Jun 28, 2023

Advanced Causal Inference TechniquesMathematics被引用数 3

ひとこと要約

本稿では、因果的エクcursion効果をマイクロランダマイズド・トライアル（MRT）で推定するためのメタ・ラーナー枠組みを提案する。この枠組みは、バイアスのない／直交化された機械学習を用い、時間的に変化する治療の調節効果を効率的かつ頑健に評価可能である。ネガティブ・パラメータの推定に監視学習を活用し、二重ロバスト性を確保することで、従来の重み付き最小二乗法（WLS）と比較してバイアスを低減し、推定の精度を向上させる。

ABSTRACT

Advances in wearable technologies and health interventions delivered by smartphones have greatly increased the accessibility of mobile health (mHealth) interventions. Micro-randomized trials (MRTs) are designed to assess the effectiveness of the mHealth intervention and introduce a novel class of causal estimands called "causal excursion effects." These estimands enable the evaluation of how intervention effects change over time and are influenced by individual characteristics or context. Existing methods for analyzing causal excursion effects assume known randomization probabilities, complete observations, and a linear nuisance function with prespecified features of the high dimensional observed history. However, in complex mobile systems, these assumptions often fall short: randomization probabilities can be uncertain, observations may be incomplete, and the granularity of mHealth data makes linear modeling difficult. To address this issue, we propose a flexible and doubly robust inferential procedure, called "DR-WCLS," for estimating causal excursion effects from a meta-learner perspective. We present the bidirectional asymptotic properties of the proposed estimators and compare them with existing methods both theoretically and through extensive simulations. The results show a consistent and more efficient estimate, even with missing observations or uncertain treatment randomization probabilities. Finally, the practical utility of the proposed methods is demonstrated by analyzing data from a multiinstitution cohort of first-year medical residents in the United States (NeCamp et al., 2020).

研究の動機と目的

• 高次元の履歴の事前に指定された手作業による特徴量によって引き起こされるモデルの誤特定の問題に対処すること。
• ネガティブ・パラメータのためのパラメトリックな作業モデルを機械学習に置き換えることで、推定の効率性と頑健性を向上させること。
• メタ・ラーナーの原則とデバイアスのない推定を用いて、因果的エクcursion効果の二重ロバストで漸近正規な推定量を開発すること。
• モバイルヘルス介入における時間的に変化する治療の調節をデータ駆動的かつ柔軟にモデリングすることを可能にすること。

提案手法

• 本手法は、ネガティブ・パラメータ（例：アウトカム・モデルや治療割合モデル）の推定を監視学習の問題として扱うメタ・ラーナー枠組みを採用する。
• 正則化バイアスを低減するために、ネイマン直交性推定方程式とクロスフィットを用いる。
• コア推定量は、重み付きで中心化された最小二乗（WCLS）基準に基づくもので、ネガティブ成分は柔軟な機械学習モデル（例：ランダムフォレスト、BART、ニューラルネットワーク）で推定される。
• 最終的な因果効果推定量は、アウトカム回帰または治療割合モデルのどちらか一方が正しく特定されていれば一貫性を示すため、二重ロバスト性を確保する。
• 高次元かつ時間的に変化する共変量のもとで、漸近正規性と妥当な推論を保証するために、デバイアスのない／直交化推定を適用する。
• 適切なモデリングの調整を通じて、欠損データ、遅延効果、および二値アウトカムの処理を含めたフレームワークの拡張がなされる。

Figure 1: Causal effects estimates with confidence intervals of R-WCLS ( left ) and DR-WCLS ( middle ), and their relative efficiency in comparisons with WCLS ( right ).

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いてネガティブ・パラメータを推定する際、バイアスを導入せずに因果的エクcursion効果の推定に有効に利用できるか。
• RQ2 事前に指定された特徴量を用いた従来のWCLSと比較して、提案されたメタ・ラーナー手法が推定の効率性をどのように向上させるか。
• RQ3 アウトカム・モデルまたは治療モデルのいずれかが誤特定されていても、この手法が二重ロバスト性を達成できるか。
• RQ4 柔軟な機械学習モデルを用いることで、時間的に変化する因果効果の信頼区間の精度とカバレッジにどのような影響を与えるか。
• RQ5 複雑で時間的に変化する交絡要因を伴う実世界のmHealthデータにおいて、この手法はどのように性能を発揮するか。

主な発見

• 提案された二重ロバストWCLS推定量は、シミュレーションおよび実データの両方で、標準的なWCLSと比較して顕著な相対的効率性の向上を達成し、信頼区間が狭くなった。
• DR-WCLS手法は、ネガティブ・モデルの一方が誤特定されていても、良好なカバレッジとバイアスの低減を示し、二重ロバスト性を確認した。
• 最初の年間医学生を対象とした事例研究では、モバイルプロンプトが早期の週において歩数に正の因果的効果を示したが、時間の経過とともにその効果が薄れた。これは習慣化の兆候である。
• この手法は、時間的に変化する調節効果を効果的に同定でき、干渉の有効性が過去の行動、気分、および文脈的要因に依存することを示した。
• シミュレーション結果は、推定量の漸近正規性を確認し、高次元かつ時間的に変化する共変量のもとでの理論的性質の妥当性を裏付けた。
• R-WCLSおよびDR-WCLS手法は、複雑で非線形な関係が存在する状況において、標準的なWCLSよりも精度と検出力に優れた性能を示した。

Figure 2: The decision tree used to generate $g(H_{t})$ , where $\{X_{1,t},\dots,X_{4,t}\}\subset H_{t}$