[論文レビュー] Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding

Jiajing Zheng, Alexander D’Amour+1 more|arXiv (Cornell University)|Feb 18, 2021

Advanced Causal Inference Techniques参考文献 50被引用数 4

ひとこと要約

本稿では、観察されない交絡要因が存在する状況下での多処置因果推論に対して、ガウス・コプーラを用いて交絡要因とアウトカムの関係をモデル化し、点識別の不可能な状況でも因果効果の境界を求める、コプーラベースの感度分析フレームワークを提案する。この手法は、妥当な潜在変数モデルのもとで情報豊かであり、因果効果に強い境界を提供する。

ABSTRACT

Recent work has focused on the potential and pitfalls of causal identification in observational studies with multiple simultaneous treatments. Building on previous work, we show that even if the conditional distribution of unmeasured confounders given treatments were known exactly, the causal effects would not in general be identifiable, although they may be partially identified. Given these results, we propose a sensitivity analysis method for characterizing the effects of potential unmeasured confounding, tailored to the multiple treatment setting, that can be used to characterize a range of causal effects that are compatible with the observed data. Our method is based on a copula factorization of the joint distribution of outcomes, treatments, and confounders, and can be layered on top of arbitrary observed data models. We propose a practical implementation of this approach making use of the Gaussian copula, and establish conditions under which causal effects can be bounded. We also describe approaches for reasoning about effects, including calibrating sensitivity parameters, quantifying robustness of effect estimates, and selecting models that are most consistent with prior hypotheses.

研究の動機と目的

• 観察されない交絡要因が因果推論の点識別を不可能にする多処置設定における課題に対処すること。
• 観察データと整合的で、潜在的交絡要因に関する妥当な仮定のもとで、因果効果の範囲を定量化する感度分析フレームワークの開発。
• 感度パラメータのキャリブレーション、頑健性の評価、事前仮説と整合するモデルの選択を支援する実用的ツールの提供。
• 完全同定が不可能であっても、境界付き効果推定によって潜在変数モデルが因果的結論を鋭くする可能性を示すこと。

提案手法

• 交わされた交絡要因、処置、アウトカムの同時分布をコプーラ因子分解によりモデル化し、交絡要因とアウトカムの依存関係と処置モデルを分離する。
• ガウス・コプーラを用いて交絡要因とアウトカムの関係を特徴づけ、モデル適合を変更せずに柔軟かつ取り扱いやすい感度分析を可能にする。
• 共通の観察されない交絡要因を表すために処置に潜在的要因モデルを適用し、要因数はデータ駆動の基準によって決定する。
• 処置の潜在変数モデルが識別可能であるという仮定のもとで因果効果の境界を導出する。これにより、他の場合に無限大に発散する可能性がある効果でも、有限な境界が保証される。
• 事前の知識やネガティブコントロール露出を用いて感度パラメータをキャリブレートし、効果推定の頑健性を評価する。
• アウトカムモデリングと後れ確率推論にベイジアン加法的回帰木（BART）を用い、交絡が存在する状況での不確実性の定量化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 観察されない交絡要因が点識別を不可能にする多処置設定において、因果効果を意味的に境界づけることは可能か？
• RQ2 多処置因果推論における潜在変数構造を活用するために、感度分析をどのように適合させることができるか？
• RQ3 コプーラは、アウトカムモデルに制限を課さずに、交絡要因とアウトカムの依存関係をどのようにモデル化するか？
• RQ4 共通の観察されない交絡要因の文脈において、感度パラメータをどのように意味的にキャリブレートし解釈できるか？
• RQ5 完全同定が得られない状況下で、潜在変数モデルは因果効果推定の精度と頑健性をどの程度向上させるか？

主な発見

• 制限のない感度モデルでは因果効果は無限大に発散するが、処置の潜在変数モデルが識別可能である限り、効果は境界付きになる。
• ガウス・コプーラ仕様により、完全同定が不可能であっても、処置効果の境界が有限かつ解釈可能になる。
• 遺伝子発現解析において、Igfbp2は発現レベルが75百分位数を超える領域でのみ、マウス体重に有意な負の因果効果を示した。この効果は、残差アウトカム分散の最大100％を交絡が説明しても頑健であった。
• 75百分位数未満の発現レベルでは、交絡が存在しない状況でさえも有意な因果効果は検出されず、低発現レベルでは頑健な効果が認められなかった。
• 本手法は複数の処置に対して因果効果を境界づけ、頑健性を定量化できており、結果として、Igfbp2の高発現は交絡の強度にかかわらずマウス体重を低下させることが示された。
• 本フレームワークは、統計的に厳密かつ解釈可能な実用的感度分析を可能にし、コードとRパッケージを公開しており、再現性と応用が可能である。