[論文レビュー] Causal mediation analysis in presence of multiple mediators uncausally related

Allan Jérolon, Laura Baglietto+3 more|arXiv (Cornell University)|Sep 21, 2018

Advanced Causal Inference Techniques参考文献 29被引用数 4

ひとこと要約

本稿は、共通の観察されない原因によって因果関係のない相関を持つ複数の媒介変数を扱うための因果的中介枠組みを提案する。順序付き無視可能性の下で、非パラメトリックな同定化を確立し、シミュレーションに基づく準ベイズ推定手順を導入する。主な貢献は、媒介変数が因果関係にないが相関している状況において、個々のおよび共同の間接効果を推定できることであり、標準的な媒介モデルを条件付き独立性の仮定を超えて拡張している。

ABSTRACT

Mediation analysis aims at disentangling the effects of a treatment on an outcome through alternative causal mechanisms and has become a popular practice in biomedical and social science applications. The causal framework based on counterfactuals is currently the standard approach to mediation, with important methodological advances introduced in the literature in the last decade, especially for simple mediation, that is with one mediator at the time. Among a variety of alternative approaches, K. Imai et al. showed theoretical results and developed an R package to deal with simple mediation as well as with multiple mediation involving multiple mediators conditionally independent given the treatment and baseline covariates. This approach does not allow to consider the often encountered situation in which an unobserved common cause induces a spurious correlation between the mediators. In this context, which we refer to as mediation with uncausally related mediators, we show that, under appropriate hypothesis, the natural direct and joint indirect effects are non-parametrically identifiable. Moreover, we adopt the quasi-Bayesian algorithm developed by Imai et al. and propose a procedure based on the simulation of counterfactual distributions to estimate not only the direct and joint indirect effects but also the indirect effects through individual mediators. We study the properties of the proposed estimators through simulations. As an illustration, we apply our method on a real data set from a large cohort to assess the effect of hormone replacement treatment on breast cancer risk through three mediators, namely dense mammographic area, nondense area and body mass index.

研究の動機と目的

• 複数の媒介変数の間で条件付き独立性を仮定する既存の媒介手法の限界に対処すること。
• 観察されない共通原因によって媒介変数が相関しているが、因果関係にない状況をモデル化し、標準的な無視可能性仮定を破る状況を扱うこと。
• 因果関係のない相関を持つ媒介変数が存在する状況において、順序付き無視可能性の下で自然直接効果および共同間接効果の非パラメトリック同定化を確立すること。
• このような複雑な媒介構造において、個々のおよび共同の間接効果を推定するためのシミュレーションに基づく推定手順を開発すること。
• シミュレーションによる妥当性確認と、ホルモン補充療法と乳がんリスクの関係を対象とした実際のコhort研究への応用

提案手法

• Imaiら（2010）の反事後的枠組みを採用し、因果関係にない相関を持つ複数の媒介変数に拡張する。
• 治療および媒介変数への介入における潜在的アウトカムを用いて、自然直接効果および間接効果を定義する。
• 順序付き無視可能性を満たす複数の媒介変数の仮定（SIMMA）の下で、介入および共変量の下での潜在的アウトカムの条件付き独立性を含め、効果の同定化を確立する。
• 準ベイズアルゴリズムを用いて、異なる介入スケーム下での媒介変数およびアウトカムの反事後的分布をシミュレートする。
• シミュレートされた条件付き期待値を用いて、各媒介変数を介した個々の間接効果および両方の媒介変数を介した共同間接効果を推定する。
• ホルモン補充療法が乳がんリスクに与える影響を、密度領域、非密度領域、およびBMIの3つの媒介変数を通じて評価するために、大規模コhort研究の実データを応用する。

実験結果

リサーチクエスチョン

• RQ1 観察されない共通原因によって因果関係のない相関を持つ複数の媒介変数が存在する状況で、自然直接効果および共同間接効果は非パラメトリックに同定可能か？
• RQ2 因果関係にないが相関する媒介変数が存在する状況において、個々のおよび共同の間接効果はどのように推定可能か？
• RQ3 媒介変数の相関度合いが異なる条件下で、提案されたシミュレーションに基づく推定手順の性能はいかがなものか？
• RQ4 条件付き独立性仮定の違反が、媒介効果推定のバイアスおよび精度に与える影響は何か？
• RQ5 媒介変数の相関が、二値アウトカムモデルにおける間接効果推定に与える影響は何か？

主な発見

• 順序付き無視可能性を満たす複数の媒介変数の仮定（SIMMA）の下では、媒介変数が因果関係にないが相関している場合であっても、自然直接効果および共同間接効果は非パラメトリックに同定可能である。
• シミュレーションに基づく準ベイズ手順は、有限標本において許容できるバイアスとカバレッジを達成し、個々のおよび共同の間接効果を効果的に推定できた。
• モデル1（連続アウトカム）では、真の共同間接効果は44であり、個々の間接効果は20および24であり、合計効果は54であり、一貫した分解が確認された。
• モデル2（二値アウトカム）では、真の共同間接効果は媒介変数間の相関度合いに依存し、図9に示すように、この依存関係を同定手法が捉えていた。
• 媒介変数の相関度合いが高くなるほど、特に二値アウトカムモデルにおいて、直接効果および間接効果の推定バイアスが増加する傾向が、図12に示された。
• 複数の分析を単純な分析よりも用いることで、相関度合いが変化する状況においても、妥当なカバレッジ確率と低い平均二乗誤差（MSE）を維持しており、図11に示された。