[論文レビュー] Assessing lack of common support in causal inference using Bayesian nonparametrics: Implications for evaluating the effect of breastfeeding on children's cognitive outcomes

Jennifer Hill, Yu‐Sung Su|arXiv (Cornell University)|Nov 28, 2013

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿では、因果推論における共通因果的サポートの欠如を特定するため、ベイジアン非パラメトリック手法としてベイジアン加法的回帰木（BART）を用いた手法を提案する。これは、反実仮想結果の事後分布における不確実性を活用し、信頼性の低い推論を検出するものである。BARTに基づく除外ルールは、従来の傾向スコア法に比べ、有効な単位をよりよく保持し、特に複雑な交互作用を伴う高次元設定下でも真の共変数と結果の関係をよりよく反映していることが示された。

ABSTRACT

Causal inference in observational studies typically requires making comparisons between groups that are dissimilar. For instance, researchers investigating the role of a prolonged duration of breastfeeding on child outcomes may be forced to make comparisons between women with substantially different characteristics on average. In the extreme there may exist neighborhoods of the covariate space where there are not sufficient numbers of both groups of women (those who breastfed for prolonged periods and those who did not) to make inferences about those women. This is referred to as lack of common support. Problems can arise when we try to estimate causal effects for units that lack common support, thus we may want to avoid inference for such units. If ignorability is satisfied with respect to a set of potential confounders, then identifying whether, or for which units, the common support assumption holds is an empirical question. However, in the high-dimensional covariate space often required to satisfy ignorability such identification may not be trivial. Existing methods used to address this problem often require reliance on parametric assumptions and most, if not all, ignore the information embedded in the response variable. We distinguish between the concepts of "common support" and common causal support." We propose a new approach for identifying common causal support that addresses some of the shortcomings of existing methods. We motivate and illustrate the approach using data from the National Longitudinal Survey of Youth to estimate the effect of breastfeeding at least nine months on reading and math achievement scores at age five or six. We also evaluate the comparative performance of this method in hypothetical examples and simulations where the true treatment effect is known.

研究の動機と目的

• 高次元の共変数空間において因果効果を推定する際、共通因果的サポートの欠如している単位を特定する課題に対処すること。
• 治療割り当てモデルに依存せず、BARTの事後分布を通じて結果情報（結果の不確実性）を活用して除外意思決定を導く手法を開発すること。
• 重複の不足がある単位を除外した後の推論サンプルを定義するより安定的かつ経験的根拠に基づいたアプローチを提供すること。
• BARTベースの除外ルールと標準的な傾向スコアベースの手法（例：カイパー距離マッチング、傾向スコアの分位数による共通サポート）との比較を通じて、単位の保持率と推定精度の観点から性能を評価すること。
• 母乳育児期間と子供の認知発達に関する実データを用いて、推論における実用的差異を強調する事例を提示すること。

提案手法

• ベイジアン加法的回帰木（BART）を用いて潜在的結果をモデル化し、事実的および反実仮想結果の個別単位ごとの事後分布を生成する。
• 反実仮想結果の推定値の精度（事後標準誤差）と観測結果の推定値の精度を比較することで、共通因果的サポートの欠如している単位を同定する。
• 反実仮想結果の事後不確実性が、観測結果の平均不確実性に対して1標準偏差以上上回る場合に、その単位を除外対象とマークするルールを適用する。
• 回帰木を用いて除外された単位の特徴をプロファイリングし、除外意思決定を引き起こしている共変数のパターンを理解する。
• シミュレーションおよび実データを用いて、BARTベースの除外ルールと標準的な傾向スコアベースの手法（例：カイパー距離マッチング、傾向スコアの分位数による共通サポート）を比較する。
• BARTの事後分布を、因果効果の推定だけでなく、個別単位の推論の信頼性を評価する診断ツールとしても活用する。

実験結果

リサーチクエスチョン

• RQ1 治療割り当てのパラメトリックモデルに依存せずに、高次元の共変数空間において共通因果的サポートの欠如している単位を信頼性高く特定する方法は何か？
• RQ2 結果情報（結果の不確実性）を共通サポートの評価に組み込むことで、因果推論の妥当性と安定性はどの程度向上するか？
• RQ3 BARTベースの除外ルールは、単位の保持率と推定精度の観点から、標準的な傾向スコアベースの手法に比べてどのように異なるか？
• RQ4 母乳育児と子供の認知発達に関する実世界の事例において、BART法と傾向スコア法を用いた場合の推定治療効果の実質的差異は何か？
• RQ5 共通因果的サポートの欠如により除外された単位の特徴を意味的にプロファイリングするにはどうすればよいか？

主な発見

• 母乳育児に関する実データ例では、BARTベースの除外ルールはすべての単位を保持したが、傾向スコア法は低学歴・低AFQTスコアの母親を中心に多数の単位を除外した。
• BART法は共通因果的サポートの欠如している単位をより少ない数に特定しており、標準的な傾向スコア法に比べてより保守的ではなく、実データの構造をより的確に反映していると考えられる。
• 真の治療効果が既知のシミュレーションでは、BARTの1標準偏差の除外ルールが、不必要な除外を最小限に抑えつつ推定精度を維持するという点で優れた性能を示した。
• 本手法は、従来の傾向スコアモデルで交絡因子とみなされていた変数が、結果予測においてほとんど予測力を持たないことがあることを明らかにした。これは、結果に基づくサポート評価の重要性を示唆している。
• 除外単位の回帰木分析から、BARTベースの除外は意味のある共変数パターンに基づいており、一方で傾向スコアベースの除外はしばしば明確な実質的根拠を欠いていた。
• 本研究では、単に傾向スコアに依存すると、特にマッチングベースの分析において推定が不安定になり、一貫性のない結果が得られることが判明した。これに対して、BARTベースの推論はより一貫性があり、実質的に妥当な効果を示した。