[論文レビュー] Image-based Treatment Effect Heterogeneity

Connor Jerzak, Fredrik Johansson+1 more|arXiv (Cornell University)|Jun 13, 2022

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿では、変分ベイジアン推論を用いて、画像内の治療効果の異質性を特定するための確率的画像タイプクラスタリングモデルを提案する。画像から得られるクラスタを治療効果の異質性を予測するものとしてモデル化することで、解釈可能で不確実性を考慮したサリエンス分析と、サンプル外政策ターゲティングを可能にし、ウガンダにおける反貧困RCTにおいて、従来の表形式データのみを用いた手法に比べて異質性の検出性能が向上することを示している。

ABSTRACT

Randomized controlled trials (RCTs) are considered the gold standard for estimating the average treatment effect (ATE) of interventions. One use of RCTs is to study the causes of global poverty -- a subject explicitly cited in the 2019 Nobel Memorial Prize awarded to Duflo, Banerjee, and Kremer "for their experimental approach to alleviating global poverty." Because the ATE is a population summary, anti-poverty experiments often seek to unpack the effect variation around the ATE by conditioning (CATE) on tabular variables such as age and ethnicity that were measured during the RCT data collection. Although such variables are key to unpacking CATE, using only such variables may fail to capture historical, geographical, or neighborhood-specific contributors to effect variation, as tabular RCT data are often only observed near the time of the experiment. In global poverty research, when the location of the experiment units is approximately known, satellite imagery can provide a window into such factors important for understanding heterogeneity. However, there is no method that specifically enables applied researchers to analyze CATE from images. In this paper, using a deep probabilistic modeling framework, we develop such a method that estimates latent clusters of images by identifying images with similar treatment effects distributions. Our interpretable image CATE model also includes a sensitivity factor that quantifies the importance of image segments contributing to the effect cluster prediction. We compare the proposed methods against alternatives in simulation; also, we show how the model works in an actual RCT, estimating the effects of an anti-poverty intervention in northern Uganda and obtaining a posterior predictive distribution over effects for the rest of the country where no experimental data was collected. We make all models available in open-source software.

研究の動機と目的

• ランダム化比較試験（RCT）における非構造化画像データを用いた因果効果の異質性分析手法の不足に対処すること。
• 治療効果の異質性を予測する画像由来のクラスタをモデル化し、解釈可能性と科学的洞察の向上を図ること。
• ベイジアン推論を用いてクラスタ割り当てと効果予測における不確実性の定量化を可能にすること。
• 予測された治療効果クラスタに最も影響を与える画像領域を特定するサリエンス測度の開発。
• 表形式の共変量を超えて、衛星画像を効果修正要因の情報源として統合することで、因果推論を拡張すること。

提案手法

• 画像タイプ $Z_i$ が治療効果 $\tau(z)$ の分布を生成する確率的画像タイプ効果クラスターモデルを提案。$\tau(z) = \mu_{\tau,z}$ とし、分散は $\sigma_0^2 + \sigma_1^2 + \sigma_{\tau}^2$ とする。
• 変分ベイジアン推論を用いて、後部確率 $p(\mathbf{Z}, \boldsymbol{\Theta} \mid \mathbf{D})$ を近似。確率的勾配降下法を用いて、下界（ELBO）を最大化する。
• 再パrameter化勾配を用いて、離散的な潜在変数（画像クラスタ）を介してバックプロパゲートし、微分可能な推論を可能にする。
• モンテカルロ近似を用いて期待サリエンスを計算：$s_{whk}^{\text{Direction}} = \sum_c \mathbb{E}\left[ \frac{\partial \text{Pr}(Z_i = k \mid M_i = m)}{\partial m_{whc}} \right]$。
• 影響度の高い画像領域を特定するためのマグニチュードベースのサリエンス測度 $s_{whk}^{\text{Magnitude}} = \sum_c \left( \frac{\partial \mathbb{E}[\text{Pr}(Z_i = k \mid M_i = m)]}{\partial m_{whc}} \right)^2$ を導入。
• サンプル外の予測分布を生成する：$p(\tau_i^{\text{Out}} \mid M_i^{\text{Out}}, \mathbf{D}) = \sum_z \int p(\tau_i \mid Z_i^\text{Out}=z; \boldsymbol{\theta}) p(Z_i^\text{Out}=z \mid M_i^\text{Out}; \boldsymbol{\theta}) p(\boldsymbol{\theta} \mid \mathbf{D}) d\boldsymbol{\theta}$。

実験結果

リサーチクエスチョン

• RQ1 表形式の共変量を超えて、画像ベースのデータがRCTにおいて以前に検出されていなかった治療効果の異質性を明らかにできるか？
• RQ2 どのようにして画像由来のクラスタをモデル化することで、確率的かつ解釈可能な方法で治療効果の異質性を要約・解釈できるか？
• RQ3 どの画像領域が予測された治療効果クラスタへの割り当てに最も影響を与えているか？その影響をどのように定量化できるか？
• RQ4 クラスタ割り当てにおける不確実性が、サリエンスおよび政策提言の信頼性にどのように影響するか？
• RQ5 このモデルはサンプル外の画像に一般化可能であり、新しい地理的・文脈的状況においても政策ターゲティングを支援できるか？

主な発見

• 本モデルは、ウガンダにおける反貧困RCTにおいて、表形式の共変量では捉えきれない治療効果の異質性を示す画像由来のクラスタを効果的に特定した。
• サリエンス分析により、土地利用やインfra構造の特徴に特に関連する特定の画像領域が、予測された治療効果クラスタに顕著な影響を与えていることが明らかになった。
• 正規直交化処理後でも、クラスタ確率と表形式CATEの間の相関は高く（0.85）あり、衛星画像が異質性に関する独立的で重複のない情報を提供していることが示された。
• 全国規模の後方予測クラスタ確率の平均値から、治療効果の異質性の空間的パターンが明らかとなり、大規模な政策的ターゲティングが可能になった。
• 後処理クラスタリング手法では、微分可能なクラスタ割り当てが存在しないため、本モデルが提供する不確実性を考慮したサリエンス測度は実現不可能である。
• 本手法により、表形式の共変量がなくても、新しい画像に対して治療効果の予測分布を形成でき、サンプル外の政策ターゲティングが可能になった。