[論文レビュー] Estimating Treatment Effects using Multiple Surrogates: The Role of the Surrogate Score and the Surrogate Index

Susan Athey, Raj Chetty+2 more|arXiv (Cornell University)|Mar 30, 2016

Advanced Causal Inference Techniques参考文献 72被引用数 46

ひとこと要約

本稿では、複数の短期的結果を統合した1つの予測スコアであるサロゲートインデックスを導入し、長期的治療効果をより迅速かつ正確に推定する手法を提示する。治療と長期的結果の間の条件付き独立性がサロゲートインデックスのもとで成り立つものと仮定すると、長期的結果を直接観測せずに短期的データのみで長期的効果を特定できる。職業訓練の応用において、標準誤差を35%削減し、9年間の観察期間を1.5年まで短縮することで、早期推論が可能となった。

ABSTRACT

Estimating the long-term effects of treatments is of interest in many fields. A common challenge in estimating such treatment effects is that long-term outcomes are unobserved in the time frame needed to make policy decisions. One approach to overcome this missing data problem is to analyze treatments effects on an intermediate outcome, often called a statistical surrogate, if it satisfies the condition that treatment and outcome are independent conditional on the statistical surrogate. The validity of the surrogacy condition is often controversial. Here we exploit that fact that in modern datasets, researchers often observe a large number, possibly hundreds or thousands, of intermediate outcomes, thought to lie on or close to the causal chain between the treatment and the long-term outcome of interest. Even if none of the individual proxies satisfies the statistical surrogacy criterion by itself, using multiple proxies can be useful in causal inference. We focus primarily on a setting with two samples, an experimental sample containing data about the treatment indicator and the surrogates and an observational sample containing information about the surrogates and the primary outcome. We state assumptions under which the average treatment effect be identified and estimated with a high-dimensional vector of proxies that collectively satisfy the surrogacy assumption, and derive the bias from violations of the surrogacy assumption, and show that even if the primary outcome is also observed in the experimental sample, there is still information to be gained from using surrogates.

研究の動機と目的

• 政策的意義のある分野（職業訓練や教育など）における長期的結果の観測が遅れるという課題に対処すること。
• 複数の中間結果を1つのサロゲートインデックスに統合することで、長期的影響の推定精度と速度を向上させること。
• 個々のサロゲートが失敗しても、複数の短期的代理指標の総合力を活用することで、依然として有効な手法を提供すること。
• サロゲートインデックスの根幹をなす条件付き独立性仮定を検証するための実用的推定器と検証ツールを開発すること。
• カリフォルニア州のマルチサイト職業訓練実験への応用を通じて、実証的有用性を示し、推定の効率性とタイムリネスに顕著な向上をもたらした。

提案手法

• サロゲートインデックスは、観測された短期的結果と事前治療の共変量を条件とした長期的結果の条件付き期待値として定義され、すべての利用可能な短期的情報の要約として機能する。
• 本手法は、長期的結果がサロゲートインデックスのもとで治療と条件付き独立であるという仮定に依存しており、これにより、個々の中間結果が有効なサロゲートでなくてもよいという利点が得られる。
• 長期的結果における治療効果は、サロゲートインデックスにおける治療効果として特定され、長期的結果を直接観測しなくても推定が可能になる。
• サロゲート性仮定が満たされない場合の実用的分散の上限とバイアス補正を導出し、追加の補助的結果を用いて仮定の妥当性を検証する。
• サロゲートインデックスの構造を活用する効率的推定器を提案し、長期的結果が観測されても精度が向上することを示した。
• シミュレーションによる検証と、短期的雇用率を長期的雇用結果のサロゲートとして用いた実世界の職業訓練実験への応用を通じて、手法の有効性を検証した。

実験結果

リサーチクエスチョン

• RQ1 標準的なサロゲート性仮定を満たさない個々の結果であっても、複数の短期的結果を1つのインデックスに統合することで、長期的治療効果を正確に予測できるか？
• RQ2 従来の手法と比較して、サロゲートインデックスを用いることで推定の精度と推論の速度にどのような差が生じるか？
• RQ3 条件付き独立性仮定が破綻した場合のバイアスの妥当な上限は何か？ そして、補助的データを用いてこれらをどのように評価できるか？
• RQ4 長期的結果の観測に長期間を要する状況において、サロゲートインデックスは標準誤差をどれほど低減できるか？
• RQ5 追加で観測された結果を用いて、サロゲートインデックス仮定の妥当性をどのように実証的に検証できるか？

主な発見

• サロゲートインデックスを用いることで、9年後の雇用結果に対する職業訓練プログラムの長期的影響を1.5年で推定可能となり、待機期間が80%以上短縮された。
• 直接的な長期的結果の推定と比較して、標準誤差が35%削減され、推定の精度が著しく向上した。
• サロゲートインデックス法は、完全な長期的データ分析と同一の治療効果を同定したため、長期的影響を予測する際の高い正確性を示した。
• 長期的結果が観測されても、サロゲートインデックスを用いることでより精度の高い推定が得られ、その効率性の優位性が顕著に現れた。
• モデルの誤指定下でもバイアスの妥当な上限を提供し、補助的結果を用いて主要な条件付き独立性仮定の妥当性を検証可能であることを示した。
• カリフォルニア州の職業訓練実験からの実証的結果は、短期的雇用率をサロゲートインデックスに統合することで、長期的労働市場効果に関する信頼性の高い迅速な推論が可能であることを確認した。