[論文レビュー] Estimation of Effects of Sequential Treatments by Reparameterizing Directed Acyclic Graphs

James M. Robins, Larry Wasserman|arXiv (Cornell University)|Feb 6, 2013

Advanced Causal Inference Techniques参考文献 10被引用数 60

ひとこと要約

本稿では、時系列的処置効果の推定を改善するために、標準的な条件付き確率パラメータ化の代わりに構造的ネストモデルを用いた有向非巡回グラフ（DAGs）の再パラメータ化を提案する。反事後的結果を直接モデル化することで、処置後変数に条件づけるバイアスを回避し、時変動共変動要因を伴う縦断的研究における動的処置効果の一貫した推定を可能にする。

ABSTRACT

The standard way to parameterize the distributions represented by a directed acyclic graph is to insert a parametric family for the conditional distribution of each random variable given its parents. We show that when one's goal is to test for or estimate an effect of a sequentially applied treatment, this natural parameterization has serious deficiencies. By reparameterizing the graph using structural nested models, these deficiencies can be avoided.

研究の動機と目的

• 逐次的処置効果を推定する際、標準的なDAGパラメータ化の限界を解消すること。
• 動的処置効果を推定する際、従来の条件付き確率パラメータ化がどのようなバイアスを引き起こすかを特定すること。
• 逐次的処置設定における因果効果をよりよく捉えるために、構造的ネストモデルを用いた再パラメータ化戦略を開発すること。
• 以前の処置によって影響を受ける共変動要因が存在する場合でも、処置効果の推定を一貫して行えるようにすること。

提案手法

• 標準的な条件付き確率パラメータ化の代わりに、反事後的結果を直接モデル化する構造的ネストモデルを採用する。
• 潜在的結果枠組みを用いて、逐次的処置制度における因果効果を定義する。
• 各段階での処置効果を、以前の処置および共変動要因の履歴の関数としてモデル化する。
• 異なる処置系列における平均反応に構造的仮定を課すことにより、因果効果を同定する。
• 観測データから構造的ネストモデルのパラメータを推定するためにg-推定技術を適用する。
• 処置後に生じる共変動要因に条件づけないことで、因果経路が歪められるのを防ぎ、因果効果の同定を保証する。

実験結果

リサーチクエスチョン

• RQ1 なぜ標準的なDAGパラメータ化は、逐次的処置効果を推定する際、以前の処置によって影響を受ける共変動要因が存在する場合に失敗するのか？
• RQ2 時間変動共変動要因が存在する状況で、動的処置効果の一貫した推定を可能にする代替パラメータ化は何か？
• RQ3 縦断的設定において、条件付き確率モデルと比較して、構造的ネストモデルは因果効果推定を改善できるか？
• RQ4 処置後に生じる共変動要因によるバイアスを回避するため、反事後的分布をどのようにモデル化できるか？
• RQ5 提案された再パラメータ化のもとで、時系列的処置効果の同定が保証される条件は何か？

主な発見

• 条件付き分布によるDAGの標準的パラメータ化は、共変動要因が以前の処置によって影響を受ける場合、時系列的処置効果の推定においてバイアスを引き起こす。
• 構造的ネストモデルを用いた再パラメータ化により、処置後に生じる変数に条件づけなくなるため、バイアスの主要因が排除される。
• 本手法により、時変動共変動要因が存在する場合でも、動的処置効果の一貫した推定が可能になる。
• 異なる処置系列における平均反応に構造的仮定を課すことにより、因果効果の同定が達成される。
• 本手法は、複雑な処置履歴を伴う縦断的研究におけるg-推定の形式的フレームワークを提供する。
• 本手法は潜在的結果に基づいて理論的に裏付けられており、因果推論における処置後に生じる共変動要因の問題を解決する。