[論文レビュー] Granger Mediation Analysis of Multiple Time Series with an Application to fMRI

Yi Zhao, Xi Luo|arXiv (Cornell University)|Sep 15, 2017

Functional Brain Connectivity Studies参考文献 2被引用数 3

ひとこと要約

本稿では、時間的依存性およびフィードバック効果を扱えるように、ベクトル自己回帰モデルと因果メディエーションモデリングを統合した、複数の時系列における因果メディエーション分析のための新規フレームワーク、Granger 医療分析（GMA）を提案する。fMRI データにおける直接効果および間接効果の妥当な推定を可能にし、従来の手法と比較してバイアスを低減し、パワーを向上させる。特に、脳領域間の動的フィードバックを捉える点で優れる。

ABSTRACT

It becomes increasingly popular to perform mediation analysis for complex data from sophisticated experimental studies. In this paper, we present Granger Mediation Analysis (GMA), a new framework for causal mediation analysis of multiple time series. This framework is motivated by a functional magnetic resonance imaging (fMRI) experiment where we are interested in estimating the mediation effects between a randomized stimulus time series and brain activity time series from two brain regions. The stable unit treatment assumption for causal mediation analysis is thus unrealistic for this type of time series data. To address this challenge, our framework integrates two types of models: causal mediation analysis across the variables and vector autoregressive models across the temporal observations. We further extend this framework to handle multilevel data to address individual variability and correlated errors between the mediator and the outcome variables. These models not only provide valid causal mediation for time series data but also model the causal dynamics across time. We show that the modeling parameters in our models are identifiable, and we develop computationally efficient methods to maximize the likelihood-based optimization criteria. Simulation studies show that our method reduces the estimation bias and improve statistical power, compared to existing approaches. On a real fMRI data set, our approach not only infers the causal effects of brain pathways but accurately captures the feedback effect of the outcome region on the mediator region.

研究の動機と目的

• 時間的依存性により、安定単位処置値仮定（SUTVA）が破られる時系列データにおける従来のメディエーション分析の限界を解消すること。
• 因果メディエーション分析とベクトル自己回帰（VAR）モデルを統合した包括的フレームワークを構築し、複数の時系列間の動的で時間依存する関係をモデル化すること。
• 個々の被験者のばらつきおよびメディエータ変数とアウトカム変数間の相関誤差を考慮するため、マルチレベルデータへのフレームワークの拡張を図ること。
• モデルの同定可能性を保証し、パラメータ推定のための計算的に効率的な尤度ベース最適化手法を開発すること。
• シミュレーションおよび実際の fMRI データを通じて、本手法の性能を評価し、バイアス低減および統計的パワーの向上を示すこと。

提案手法

• 構造方程式モデリングによるメディエーションと多次元ベクトル自己回帰（VAR）モデルを組み合わせたハイブリッドモデルを提案し、処置、メディエータ、アウトカムの時系列における時間的ダイナミクスを捉える。
• 時間系列の同時分布を、自己相関および変数間依存性を考慮した構造的平均および分散共分散行列を持つ多次元正規尤度でモデル化する。
• 個別レベルのばらつきおよびメディエータとアウトカム間の相関誤差をモデル化する階層的構造を組み込み、マルチレベルメディエーション分析を可能にする。
• 尤度最大化により、パラメータ（例：β、γ、δ）の明示的かつ閉形式の推定式を導出。制約条件を満たすために、パrameter空間への射影を実施する。
• 2段階最適化を採用：まずδを条件付きに固定した場合、尤度関数は凸かつ分離可能となり、分散成分および回帰係数の効率的計算が可能になる。
• 標準誤差の推定および主要パラメータ（例：遷移行列Ω）の95％信頼区間の構築に、ブートストラップリサンプリング（200サンプル）を用いる。

実験結果

リサーチクエスチョン

• RQ1 時間的依存性、特に fMRI 研究における時系列データに適切に対処できるメディエーションフレームワークを開発できるか？
• RQ2 因果メディエーションフレームワーク内で、アウトカム領域からメディエータ領域へのフィードバック効果をどのようにモデル化・推定できるか？
• RQ3 提案された GMA フレームワークは、MACC-h や KKB といった従来手法と比較して、推定バイアスを低減し、統計的パワーを向上させるか？
• RQ4 個々の被験者のばらつきおよび相関誤差が存在する状況において、マルチレベル構造の組み込みが推定精度をどの程度向上させるか？
• RQ5 誤差構造に高次マーカフ連鎖（例：MAR(3)）が存在する場合、モデル誤指定に対して本モデルはどれほど頑健か？

主な発見

• GMA-h は、真のフィードバックパラメータδが大きいほど、MACC-h や KKB と比較して、間接効果（B）および直接効果（C）の推定バイアスを顕著に低減する。
• GMA-h は、B および C の推定における平均二乗誤差（MSE）を低く抑え、サンプルサイズ（N）および時系列長（Ti）が増加するに従い、MSE がゼロに収束する。
• 実際の fMRI 応用において、GMA-h は M1 領域が前 SMA 領域に与えるフィードバック効果を正常に捉えた。これは、標準的グレインジャー因果関係やメディエーションモデルでは検出できなかった。
• GMA-h から得られた推定遷移行列Ωは、非対角成分においてグレインジャー因果関係と強い一致を示したが、対角成分の推定がより正確であり、系列内ダイナミクスのモデリングが優れていることを示している。
• MAR(3)誤差モデル下では、3次係数（Ω3）がほぼゼロに近づき、本データセットではMAR(2)モデルで十分であることが示され、モデルの簡潔性（parsimony）が妥当であることが裏付けられた。
• 尤度関数は条件付き凸性を有し、安定かつ効率的な最適化が保証される。また、提示されたモデル構造下では、パラメータ推定器は同定可能である。