[論文レビュー] Estimating Mediation Effects under Correlated Errors with an Application to fMRI

Yi Zhao, Xi Luo|arXiv (Cornell University)|Oct 27, 2014

Functional Brain Connectivity Studies参考文献 23被引用数 4

ひとこと要約

本稿では、fMRI研究における媒介分析のための2層構造的方程式モデル（SEM）を提案する。このモデルは、媒介変数と結果変数における相関する加法的誤差を考慮し、制約付き最適化と線形混合効果モデルを用いて同定可能性と妥当な推論を保証する。この手法は、シミュレーションおよび実際のfMRIデータにおいて、従来の手法よりも推定精度が向上する。

ABSTRACT

Abstract. Mediation analysis assesses the effect passing through a intermediate vari-able (mediator) in a causal pathway from the treatment variable to the outcome variable. Structure equation model (SEM) is a popular approach to estimate the mediation effect. However, causal interpretation usually requires strong assumptions, such as ignorability of the mediator, which may not hold in many social and scientific studies. In this paper, we use mediation analysis in an fMRI experiment to assess the effect of randomized binary stimuli passing through a brain pathway of two brain regions. We propose a two-layer SEM framework for mediation analysis that provides valid inference even if correlated ad-ditive errors are present. In the first layer, we use a linear SEM to model the subject level fMRI data, where the continuous mediator and outcome variables may contain correlated additive errors. We propose a constrained optimization approach to estimate the model coefficients, analyze its asymptotic properties, and characterize the nonidentifiability issue due to the correlation parameter. To address the identifiability issue, we introduce a linear mixed effects SEM with an innovation to estimate the unknown correlation parameter in the first layer, instead of sensitivity analysis. Using extensive simulated data and a real fMRI dataset, we demonstrate the improvement of our approach over existing methods.

研究の動機と目的

• fMRIデータの媒介分析において、標準的なSEMの仮定をくずす相関する加法的誤差の課題に対処すること。
• 媒介変数と結果変数に相関する誤差が存在する状況でも、モデルの同定可能性を保証する手法を開発すること。
• 従来のSEM仮定（例：媒介変数の無視可能性）が成り立たないfMRI研究において、妥当な因果推論を提供すること。
• 従来の感度分析に基づく手法と比較して、推定精度と頑健性を向上させること。
• 本手法を実際のfMRIデータに適用し、広範なシミュレーションを用いてその性能を検証すること。

提案手法

• 2層SEMフレームワークを提案：1層目は、相関する加法的誤差を受ける連続的媒介変数と結果変数を、被験者水準のfMRIデータに対してモデル化する。
• 誤差項間の相関を明示的に取り入れた制約付き最適化アプローチを用いて、モデル係数を推定する。
• 提案モデル下での推定量の漸近的性質を導出し、統計的推論を支援する。
• 未知の相関パラメータに起因する非同定性問題を形式的に特定する。
• 感度分析に依存するのを避けるために、未知の相関パラメータを推定するための線形混合効果SEMを導入し、革新をもたらす。
• シミュレーション研究を通じて手法の妥当性を検証し、実際のfMRIデータセットに適用して、性能の向上を示す。

実験結果

リサーチクエスチョン

• RQ1 媒介変数と結果変数に相関する加法的誤差が存在する場合、fMRI研究における媒介効果を信頼性高く推定する方法は何か？
• RQ2 相関する誤差は、SEMフレームワークにおける媒介効果の同定可能性と推定精度にどのような影響を及えるか？
• RQ3 制約付き最適化アプローチと線形混合効果モデルを組み合わせることで、相関する誤差が存在する状況でも同定可能性と推論が向上するか？
• RQ4 既存の感度分析に基づく手法と比較して、提案手法の推定精度と頑健性はどのように異なるか？
• RQ5 本手法は、実際のfMRIデータおよびシミュレートされたデータセットにおいて、どのように実証的性能を示すか？

主な発見

• 提案手法は、媒介変数と結果変数における加法的誤差の間の未知の相関に起因する非同定性問題を効果的に解決した。
• 制約付き最適化アプローチにより、提案モデル下で一貫した推定量が得られ、妥当な漸近的性質を有することが示された。
• 線形混合効果SEMの導入により、相関パラメータの直接推定が可能となり、感度分析に依存する手法と比較してモデルの同定性が向上した。
• シミュレーション結果から、提案手法が推定精度および信頼区間のカバレッジ確率において、従来の手法を上回ることが明らかになった。
• 実際のfMRIデータに対する実証的分析により、本手法の実用的有用性と、真の媒介効果を検出する能力の向上が確認された。
• 標準的な媒介変数の無視可能性仮定が満たされない状況でも、本手法は妥当な因果推論を提供する。