[論文レビュー] Estimation of Causal Effects of Multiple Treatments in Observational Studies with a Binary Outcome

Liangyuan Hu, Chenyang Gu+3 more|arXiv (Cornell University)|Jan 17, 2020

Advanced Causal Inference Techniques参考文献 52被引用数 4

ひとこと要約

本稿では、二値の結果を伴う複数の処置の因果効果を推定するためのベイジアン加法的回帰木（BART）を提案し、IPTW、TMLE、回帰補正と比較して、バイアス低減、平均二乗誤差、信頼区間カバレッジの面で優れた性能を示している。BARTの新規な共通サポートルールは、一般化された適合度スコア法に比べ、より多くの単位を保持し、特に共変量の重複が少ない状況でのバイアス低減に優れている。

ABSTRACT

There is a dearth of robust methods to estimate the causal effects of multiple treatments when the outcome is binary. This paper uses two unique sets of simulations to propose and evaluate the use of Bayesian Additive Regression Trees (BART) in such settings. First, we compare BART to several approaches that have been proposed for continuous outcomes, including inverse probability of treatment weighting (IPTW), targeted maximum likelihood estimator (TMLE), vector matching and regression adjustment. Results suggest that under conditions of non-linearity and non-additivity of both the treatment assignment and outcome generating mechanisms, BART, TMLE and IPTW using generalized boosted models (GBM) provide better bias reduction and smaller root mean squared error. BART and TMLE provide more consistent 95 per cent CI coverage and better large-sample convergence property. Second, we supply BART with a strategy to identify a common support region for retaining inferential units and for avoiding extrapolating over areas of the covariate space where common support does not exist. BART retains more inferential units than the generalized propensity score based strategy, and shows lower bias, compared to TMLE or GBM, in a variety of scenarios differing by the degree of covariate overlap. A case study examining the effects of three surgical approaches for non-small cell lung cancer demonstrates the methods.

研究の動機と目的

• 二値の結果を伴う複数の処置の因果効果を推定するための強固な手法の不足に対処すること。
• 非線形的かつ非加法的な処置および結果のメカニズムが存在する状況下でBARTの性能を評価すること。
• 外挿を避けるために、共変量の重複が少ない領域での推論を改善するBART用の共通サポート戦略を開発・検証すること。
• 共変量の重複度合いが異なる状況下で、BARTをIPTW、TMLE、ベクトルマッチング、回帰補正といった既存の手法と比較すること。
• SEER-Medicareデータを用いた非小細胞肺がんの手術アプローチに関する実世界の事例研究を通じて、本手法の実用的有用性を示すこと。

提案手法

• BARTは、潜在的結果をベイジアン非パラメトリック回帰木を用いてモデル化することで、複数の処置および二値の結果の設定に拡張された。
• 後方予測分布に基づく、新たな共通サポートルールが提案され、反実仮想予測が信頼できるとされる単位を同定・保持する。
• 観測された共変量の値が反実仮想処置群のサポート内にあるかどうかを、後方予測分布を用いて評価し、不確実性が高い場合には単位を除外する。
• 最適な事前ハイパーパrameter $k$ を選択するために5-fold交差検証が用いられ、$k=2$ が誤分類誤差を最小化することが判明した。
• 共変量の重複度合いが異なる状況下で、シミュレーションデータを用いて、IPTW（一般化ブースティングモデルを用いる）、TMLE、ベクトルマッチング、回帰補正と比較した。
• 単一処置設定から適応された、後方予測不確実性の1標準偏差に基づく除外ルールが、複数処置状況に拡張された。

実験結果

リサーチクエスチョン

• RQ1 非線形的かつ非加法的な処置および結果のメカニズムが存在する状況下で、BARTはIPTW、TMLE、回帰補正と比較して、複数処置の因果効果推定においてどのように性能を発揮するか？
• RQ2 後方予測不確実性に基づく共通サポートルールは、複数処置のBARTにおいて推論の質と単位の保持率を向上させることができるか？
• RQ3 処置群間の共変量の重複が低いか中程度の状況下で、BARTは他の手法と比較してどのように性能を発揮するか？
• RQ4 処置群のサイズが不均等な観察研究において、手法の選択（特にペアワイズ対比とマルチ処置アプローチ）が、処置効果推定に与える影響は何か？
• RQ5 バイナリ結果の設定下で、BARTの計算効率および区間推定性能は、GBMおよびマッチングベースの手法と比較してどうなるか？

主な発見

• 非線形的かつ非加法的な処置および結果のメカニズムが存在する状況下で、BART、TMLE、GBMを用いたIPTWが、最小のバイアスと平均二乗誤差を示した。
• BARTとTMLEは、他の手法と比較して、より一貫した95％信頼区間カバレッジと優れた大標本収束性を示した。
• 提案されたBARTの共通サポートルールは、一般化された適合度スコアに基づく戦略よりも、特に重複が少ない状況でより多くの推論単位を保持した。
• BARTは、すべてのシナリオでTMLEおよびGBMよりもバイアスが低く、共変量の重複が少ない状況で最も顕著な改善が見られた。
• BARTは計算的にも効率的で、11,600件の単位を含むデータセットを150秒未満で処理完了したのに対し、IPTW-GBMは約10分を要した。
• NSCLCの事例研究において、BARTはロボット支援手術が、開胸術やVATSと比較して、長期入院期間およびICU滞在期間が短い可能性があると示唆したが、使用した手法に依存していた。