[論文レビュー] An Alternative Perspective on the Robust Poisson Method for Estimating Risk or Prevalence Ratios

Denis Talbot, Miceline Mésidor+3 more|arXiv (Cornell University)|Dec 1, 2021

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿は、ロバスト・プアソン法の半パラメトリックな再解釈を提示し、二値の結果変数に対してはプアソン分布を仮定する必要がないことを示している。代わりに、曝露変数と結果のリスク／有病率との間の対数線形関係に依存しており、従来のプアソン回帰モデルよりも理論的に整合性があり、リスク比や有病比としての解釈性を保ちつつ、ロジスティック・バイナリウムモデルで見られる収束問題を回避する。

ABSTRACT

The robust Poisson method is becoming increasingly popular when estimating the association of exposures with a binary outcome. Unlike the logistic regression model, the robust Poisson method yields results that can be interpreted as risk or prevalence ratios. In addition, it does not suffer from frequent non-convergence problems like the most common implementations of maximum likelihood estimators of the log-binomial model. However, using a Poisson distribution to model a binary outcome may seem counterintuitive. Methodological papers have often presented this as a good approximation to the more natural binomial distribution. In this paper, we provide an alternative perspective to the robust Poisson method based on the semiparametric theory. This perspective highlights that the robust Poisson method does not require assuming a Poisson distribution for the outcome. In fact, the method only assumes a log-linear relationship between the risk/prevalence of the outcome and the explanatory variables. This assumption and consequences of its violation are discussed. Suggestions to reduce the risk of violating the modeling assumption are also provided. Additionally, we discuss and contrast the robust Poisson method with other approaches for estimating exposure risk or prevalence ratios.

研究の動機と目的

• 結果変数がプアソン分布に従うという仮定にとらわれない、ロバスト・プアソン法の新たな理論的基盤を提供すること。
• この手法の有効性が、結果変数の分布的仮定に依存するのではなく、曝露変数とリスク／有病率との間の正しい対数線形関係の指定に依存することを明確にすること。
• 二値結果に適用した場合の手法の有効性に関する懸念を、半パラメトリック理論に基づいて解消すること。
• リスク比や有病比を推定するための代替手法、特にロジスティック・バイナリウムモデルやその他の回帰手法と比較すること。
• ロバスト・プアソン法を用いる際のモデルの誤指定リスクを低減するための実用的指針を提示すること。

提案手法

• 著者たちは、完全なパラメトリック尤度に基づくのではなく、推定方程式アプローチに焦点を当てた半パラメトリック枠組みを採用して、ロバスト・プアソン法を再定式化した。
• 彼らは、結果変数の分布的仮定ではなく、条件付き平均関数の正しい仕様（対数線形リンク）が満たされている限り、ロバスト・プアソン推定量が一貫していることを示した。
• 作業的プアソン尤度と、ロバスト分散推定（サンドイッチ推定量）を用いて、分散構造の誤指定を是正する。
• 主な識別仮定は、条件付き期待値が対数線形モデルに従うことであり、すなわち log(E[Y|X]) = X^Tβ である。
• 結果変数がプアソン分布に従う必要はなく、平均構造が正しくモデル化されていればよい。
• 対数線形仮定の違反が推論に与える影響について議論し、そのリスクを低減または検出するための推奨事項（残差分析やモデル比較など）を提示した。

実験結果

リサーチクエスチョン

• RQ1 ロバスト・プアソン法は、結果変数がプアソン分布に従う必要があるのか、それともこの仮定は不要なのか？
• RQ2 結果変数の分布的仮定に依存しない半パラメトリック枠組みにおいて、ロバスト・プアソン法は正当化できるか？
• RQ3 収束性や解釈可能性を考慮すると、ロバスト・プアソン法とロジスティック・バイナリウムモデルは、モデル仮定においてどのように異なるか？
• RQ4 ロバスト・プアソン法における対数線形平均構造の仮定違反がもたらす影響は何か。また、その影響を緩和する方法は？
• RQ5 疫学的研究においてリスク比や有病比を推定する際、ロバスト・プアソン法を用いる実用的意義は何か？

主な発見

• ロバスト・プアソン法は、結果変数がプアソン分布に従う必要がない。その有効性は、対数線形平均構造が正しく指定されていることに起因する。
• 対数線形モデルが正しく指定されていれば、結果変数が二値であっても、この手法は一貫性があり、リスク比や有病比推定量として解釈可能である。
• 最大尤度推定に基づくロジスティック・バイナリウムモデルでよく見られる非収束問題を回避できる。
• シミュレーションにより、モデルが正しく指定されている場合、ロバスト・プアソン法がバイアスとカバレッジの観点で良好な性能を示すことが示された。
• 対数線形仮定の違反は、偏りを生じさせる。本稿では、残差分析やモデル比較などの診断的手法による問題の検出・低減を推奨している。
• 著者らは、二値結果の設定においてリスク比や有病比を推定するための、信頼性があり実用的な代替手法として、ロバスト・プアソン法が有効であると結論づけた。