[論文レビュー] Data-adaptive doubly robust instrumental variable methods for treatment effect heterogeneity

Karla Díaz-Ordaz, Rhian Daniel+1 more|arXiv (Cornell University)|Feb 8, 2018

Advanced Causal Inference Techniques参考文献 48被引用数 3

ひとこと要約

本論文は、非順守を伴う無作為化試験における処置効果の異質性を推定するため、データ適応的二重ロバストインストゥルメンタル変数推定量——特に局所的に有効なg推定量とターゲティング最大尤度推定量（TMLE）——を提案する。機械学習によるノイズパラメータ推定にSuper Learnerを統合することで、特にモデル誤指定下でも従来の2段階最小乗法（TSLS）やパラメトリック二重ロバスト推定量に比べ、バイアスが低く、信頼性が向上した。

ABSTRACT

We consider the estimation of the average treatment effect in the treated as a function of baseline covariates, where there is a valid (conditional) instrument. We describe two doubly robust (DR) estimators: a locally efficient g-estimator, and a targeted minimum loss-based estimator (TMLE). These two DR estimators can be viewed as generalisations of the two-stage least squares (TSLS) method to semi-parametric models that make weaker assumptions. We exploit recent theoretical results that extend to the g-estimator the use of data-adaptive fits for the nuisance parameters. A simulation study is used to compare standard TSLS with the two DR estimators' finite-sample performance, (1) when fitted using parametric nuisance models, and (2) using data-adaptive nuisance fits, obtained from the Super Learner, an ensemble machine learning method. Data-adaptive DR estimators have lower bias and improved coverage, when compared to incorrectly specified parametric DR estimators and TSLS. When the parametric model for the treatment effect curve is correctly specified, the g-estimator outperforms all others, but when this model is misspecified, TMLE performs best, while TSLS can result in large biases and zero coverage. Finally, we illustrate the methods by reanalysing the COPERS (COping with persistent Pain, Effectiveness Research in Self-management) trial to make inference about the causal effect of treatment actually received, and the extent to which this is modified by depression at baseline.

研究の動機と目的

• 非順守を伴う無作為化試験における因果推論を扱う。処置割り当てとは異なる処置受領が生じ得る状況を想定する。
• ベースライン共変量を関数として含めた、処置を受けた群における平均処置効果を推定し、処置効果の異質性を考慮する。
• インストゥルメンタル変数モデルにおけるノイズパラメータ推定にデータ適応的手法を活用することで、推定の効率性とロバスト性を向上させる。
• パラメトリックモデルと機械学習ベースのノイズモデルを用いた場合の、二重ロバスト推定量の有限標本性能を評価する。
• 実際の試験（COPERS）に応用し、ベースラインのうつ病が処置受領の因果効果をどのように変容させるかを評価する。

提案手法

• 処置効果が処置を受けた群における平均効果で、有効なインストゥルメンタル変数を用いた、2つの二重ロバスト（DR）推定量（局所的に有効なg推定量とターゲティング最大尤度推定量（TMLE））を提案する。
• 結果と暴露がベースライン共変量を条件としているモデルを組み込むことで、処置効果の異質性が生じる状況にも二重ロバスト性を拡張する。
• ノイズパラメータ（例：結果回帰、感受性スコア、インストゥルメントモデル）の推定に、Super Learnerによるアンサンブル機械学習手法を用いたデータ適応的推定を実施する。
• 直交性および影響関数に基づく推定を採用し、機械学習推定量の収束が遅くても、漸近正規性と有効な推論を保証する。
• クロスバリデーションによる損失最小化を用いたターゲティング最小損失に基づく推定（TMLE）を採用し、有限標本における効率性とバイアス低減を向上させる。
• ノイズ推定量の収束速度に依存する正規性条件を導出し、データ適応的g推定量が漸近的に線形であり、√n一致であることを示す。

実験結果

リサーチクエスチョン

• RQ1 モデル誤指定下で、データ適応的二重ロバスト推定量は標準的な2段階最小乗法（TSLS）と比べて、バイアスと信頼性の両面でどのように異なるか？
• RQ2 ノイズパラメータをパラメトリックモデルと機械学習（例：Super Learner）で推定した場合、二重ロバスト推定量の有限標本性能はどのようになるか？
• RQ3 処置効果モデルが正しく指定されている場合と誤って指定されている場合に、推定量の選択（g推定量対TMLE）が結果に与える影響は何か？
• RQ4 結果モデルと暴露モデルの両方が誤って指定された場合に、データ適応的DR推定量は低バイアスと良好な信頼性を維持できるか？
• RQ5 ベースラインのうつ病は、COPERS試験における処置受領の因果効果にどの程度影響を及えるか？

主な発見

• ノイズパラメータにSuper Learnerを用いたデータ適応的二重ロバスト推定量は、パラメトリック二重ロバスト推定量およびTSLSに比べ、顕著にバイアスが低く、信頼性が向上した。
• 処置効果モデルが正しく指定された場合、g推定量はバイアスおよび平均二乗誤差の両面で、他のすべての手法を上回った。
• 処置効果モデルが誤って指定された場合、TMLEに基づく推定量が最良の性能を示した。一方、TSLSは一部のシナリオで大きなバイアスとゼロの信頼性を示した。
• 両方のモデルが誤って指定された高標本サイズ（$n=10,000$）のシナリオでは、TSLSの信頼性率は0.000にまで低下し、深刻な推論不能を示した。
• 同じ高標本サイズ・モデル誤指定シナリオにおいて、TMLEに基づく推定量は100％の信頼性を達成し、モデル誤指定下でもロバストであることを示した。
• COPERS試験の再分析において、処置受領が痛み関連障害に与える因果効果は、ベースラインのうつ病によって変容されており、データ適応的DR手法により信頼性のある推論が得られた。