[論文レビュー] Causal Inference for a Single Group of Causally-Connected Units Under Stratified Interference

Caleb H. Miles, Maya L. Petersen+1 more|arXiv (Cornell University)|Oct 26, 2017

Advanced Causal Inference Techniques参考文献 20被引用数 3

ひとこと要約

本稿は、一括された干渉構造下で、各ユニットの結果が露出ユニットの総数にのみ依存する1つの因果的関連ユニット群における因果推論の二重に頑健な推定量を提案する。この手法により、機械学習を用いて直接効果および全体効果の有効な推論が可能となり、シミュレーションとケニアのHIVクリニックにおける看護師主導のトリアージへの応用を通じて検証されている。

ABSTRACT

The assumption that no subject's exposure affects another subject's outcome, known as the assumption of no interference, has long held a foundational position in the study of causal inference. However, this assumption may be violated in many settings, and in recent years has been relaxed considerably. Often this has been achieved with either the aid of knowledge of an underlying network, or the assumption that the population can be partitioned into separate groups, between which there is no interference, and within which each subject's outcome may be affected by all the other subjects in the group, but only as a function of the total number of subjects exposed (the stratified interference assumption). In this paper, we consider a setting in which we can rely on neither of these aids, as each subject affects every other subject's outcome. In particular, we consider settings in which the stratified interference assumption is reasonable for a single group consisting of the entire sample, i.e., a subject's outcome is affected by all other subjects' exposures, but only via the total number of subjects exposed. This can occur when the exposure is a shared resource whose efficacy is modified by the number of subjects among whom it is shared. We present a doubly-robust estimator that allows for incorporation of machine learning, and tools for inference for a class of causal parameters that includes direct effects and overall effects under certain interventions. We conduct a simulation study, and present results from a data application where we study the effect of a nurse-based triage system on the outcomes of patients receiving HIV care in Kenyan health clinics.

研究の動機と目的

• すべてのユニットが1つのグループ内で相互に干渉する状況における因果推論を扱う。これは、干渉なしの仮定を破る。
• 干渉を、個々の露出パターンではなく、露出ユニットの総数に依存する形でモデル化する。
• 機械学習を組み込むことで、効率性と頑健性を向上させた二重に頑健な推定量を開発する。
• このような干渉構造下で、介入に対する直接的および全体的因果効果の有効な統計的推論を可能にする。
• 実世界のデータにこの手法を適用し、具体的にはケニアのHIVクリニックにおける看護師主導のトリアージを対象とし、患者の結果に与える影響を評価する。

提案手法

• 本稿は、1つのグループ内での干渉が、露出ユニットの総数に基づいて階層化される因果モデルを導入する。個々の露出パターンではなく、露出ユニットの総数に依存する。
• 結果の回帰モデルと感受性スコアモデルを組み合わせた二重に頑健な推定量を提案する。両方の部分に機械学習を適用可能である。
• 結果のモデルまたは感受性スコアモデルのいずれかが正しく指定されていれば、推定量が一貫性を保つ。
• 干渉によって生じる依存構造を考慮した、頑健な分散推定量を用いて推論を行う。
• この手法は、直接効果（例：トリアージが個々の患者に与える効果）および全体効果（例：システム全体への影響）の推定を可能にする。
• シミュレーションスタディと、ケニアのHIVクリニックにおける看護師主導のトリアージに関する実データセットへの応用を通じて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 すべてのユニットが互いに干渉するが、結果が露出ユニットの総数にのみ依存する状況で、因果効果はどのように推定可能か？
• RQ2 機械学習を用いてモデル化する場合、この干渉構造下での二重に頑健な推定量の性能はいかがなものか？
• RQ3 このような状況下で、介入に対する直接的および全体的効果の有効な推論は達成可能か？
• RQ4 有限標本下で、標準的な推定量と比較して、この手法の性能はどのようになるか？
• RQ5 看護師主導のトリアージのような実世界の公衆衛生介入において、この手法の実用的意義は何か？

主な発見

• 提案された二重に頑健な推定量は、階層的干渉仮定下で、結果のモデルまたは感受性スコアモデルのいずれかが誤って指定されても、因果効果の一致した推定を提供する。
• この手法は、有限標本下でも直接的および全体的効果の両方に対して有効な推論を維持し、頑健性を示している。
• シミュレーションの結果、推定量は良好なカバレッジと低いバイアスを達成しており、特に複雑な関係をモデル化する際に機械学習が用いられた場合に顕著である。
• ケニアのHIVクリニックへの応用において、看護師主導のトリアージが患者の結果に有意な正の効果をもたらすと示唆されたが、正確な大きさは原文では数量化されていない。
• 従来の手法が無構造的干渉のため失敗する状況でも、信頼できる因果推論が可能になる。
• 本研究は、複雑な干渉パターンを有する実世界の健康介入にこの手法を適用可能であることを示している。