[論文レビュー] Congenial Causal Inference with Binary Structural Nested Mean Models

Linbo Wang, Thomas S. Richardson+1 more|arXiv (Cornell University)|Sep 24, 2017

Advanced Causal Inference Techniques参考文献 12被引用数 10

ひとこと要約

本稿は、因果パラメータから分散に依存しないノイズパラメータを再パラメータ化することで、二値アウトカムの構造的ネストド・マージン・モデル（SNMMs）における分散依存問題を解決する。これにより、制約のない最尤推定と乗法的SNMMにおける真正の二重に頑健な推定量の構築が可能になる。また、加法的SNMMではこの独立性を達成できないことが証明され、乗法的モデルに焦点を当てる正当性が示される。

ABSTRACT

Structural nested mean models (SNMMs) are among the fundamental tools for inferring causal effects of time-dependent exposures from longitudinal studies. With binary outcomes, however, current methods for estimating multiplicative and additive SNMM parameters suffer from variation dependence between the causal SNMM parameters and the non-causal nuisance parameters. Estimating methods for logistic SNMMs do not suffer from this dependence. Unfortunately, in contrast with the multiplicative and additive models, unbiased estimation of the causal parameters of a logistic SNMM rely on additional modeling assumptions even when the treatment probabilities are known. These difficulties have hindered the uptake of SNMMs in epidemiological practice, where binary outcomes are common. We solve the variation dependence problem for the binary multiplicative SNMM by a reparametrization of the non-causal nuisance parameters. Our novel nuisance parameters are variation independent of the causal parameters, and hence allows the fitting of a multiplicative SNMM by unconstrained maximum likelihood. It also allows one to construct true (i.e. congenial) doubly robust estimators of the causal parameters. Along the way, we prove that an additive SNMM with binary outcomes does not admit a variation independent parametrization, thus explaining why we restrict ourselves to the multiplicative SNMM.

研究の動機と目的

• 疫学分野におけるSNMMの利用を妨げる主要な障壁である、二値アウトカムSNMMにおける因果パラメータとノイズパラメータの間の分散依存を解消すること。
• 乗法的SNMMにおける因果パラメータから分散に依存しないノイズパラメータの再パラメータ化を構築すること。
• 二値アウトカムを持つ乗法的SNMMの因果パラメータに対する制約のない最尤推定を可能にすること。
• 二値アウトカムSNMMにおける因果パラメータの真正の親和的な二重に頑健な推定量を構築すること。
• 加法的SNMMが二値アウトカムにおいて分散独立性を達成できない理由を明確にし、乗法的モデルに焦点を当てる正当性を示すこと。

提案手法

• 乗法的SNMMにおける因果的でないノイズパラメータを再パラメータ化し、因果パラメータから分散に依存しない形にすること。
• 新たなノイズパラメータの定式化を用いて、因果パラメータの制約のない最尤推定を可能にすること。
• 分散独立性に基づく再パラメータ化を用いて二重に頑健な推定量を構築し、アウトカム回帰モデルまたはプロパティススコアモデルのいずれかが正しくても有効であることを保証すること。
• 加法的SNMMが二値アウトカムにおいて、このような分散独立性を持つパラメータ化が存在しないことを証明すること。
• ロジスティックSNMMが分散依存を回避するが、偏りのない因果推定には強いモデリング仮定を要することを示すこと。
• 構造的モデリングおよび反実仮想フレームワークを用いて、因果推定量の形式的定式化と、新しいパラメータ化下での同定可能性を明確にすること。

実験結果

リサーチクエスチョン

• RQ1 二値アウトカムの乗法的SNMMにおけるノイズパラメータの再パラメータ化が、因果パラメータとの分散依存を解消できるか？
• RQ2 提案された再パラメータ化により、因果パラメータの制約のない最尤推定が可能になるか？
• RQ3 新しいパラメータ化の下で真正の親和的な二重に頑健な推定量を構築できるか？
• RQ4 加法的SNMMが二値アウトカムにおいて分散独立性を達成できるか？
• RQ5 従来の二値SNMM手法がなぜ分散独立性を達成できなかったのか、その構造的障壁は何か？

主な発見

• 提案された再パラメータ化により、乗法的SNMMにおけるノイズパラメータと因果パラメータの分散依存が明確に解消された。
• 新しいパラメータ化の下で、二値アウトカムを持つ乗法的SNMMの因果パラメータに対する制約のない最尤推定が可能になった。
• 因果パラメータの真正の親和的な二重に頑健な推定量を新たに構築可能となり、推定の頑健性と妥当性が向上した。
• 二値アウトカムを持つ加法的SNMMは、いかなる分散独立パラメータ化も許容しないことが判明し、従来手法の制限の理由が明確になった。
• 本研究の結果により、ロジスティックSNMMが分散依存を回避する一方で、偏りのない因果推定には強いモデリング仮定を要することの理由が明確にされた。
• 本研究は、縦断的疫学的研究における二値アウトカムへの乗法的SNMMの応用に向けた基盤的解決策を提供する。