[論文レビュー] Multiple Causal Inference with Latent Confounding

Rajesh Ranganath, Adler Perotte|arXiv (Cornell University)|May 21, 2018

Bayesian Modeling and Causal Inference参考文献 39被引用数 23

ひとこと要約

本稿では、観察されない交絡要因のもとで複数の処置を伴う因果効果を推定する手法である Multiple Causal Estimation via Information (MCEI) を提案する。この手法は、相互情報量による正則化を施したニューラルネットワークベースの交絡要因推定器を用い、共有交絡と処置の独立性の両方をバランスさせる。シミュレーションおよび実臨床データ（ICU）において、交絡要因の存在下やモデル不適合の状況でも、PCAに基づく手法を上回る精度を達成する。

ABSTRACT

Causal inference from observational data requires assumptions. These assumptions range from measuring confounders to identifying instruments. Traditionally, causal inference assumptions have focused on estimation of effects for a single treatment. In this work, we construct techniques for estimation with multiple treatments in the presence of unobserved confounding. We develop two assumptions based on shared confounding between treatments and independence of treatments given the confounder. Together, these assumptions lead to a confounder estimator regularized by mutual information. For this estimator, we develop a tractable lower bound. To recover treatment effects, we use the residual information in the treatments independent of the confounder. We validate on simulations and an example from clinical medicine.

研究の動機と目的

• 観察されない交絡要因が存在する状況で複数の処置を伴う因果推論の課題に取り組むこと。これは従来の単一処置の仮定を拡張するものである。
• 2つの主要な仮定を形式化する：処置間で共有される交絡、および交絡要因を条件として処置が独立であること。
• 過学習を回避しつつ交絡構造を保持する、実用的で情報正則化付きの交絡要因推定器を開発すること。
• 交絡要因の調整後に得られる処置の残差情報に基づくアウトカムモデルを構築し、情報漏洩を回避すること。
• 合成データおよび MIMIC-III データベースからの実臨床データを用いて、本手法の妥当性と精度を検証すること。

提案手法

• 他の処置を条件とした各処置の再構成誤差を最小化するとともに、追加の相互情報量正則化を施した交絡要因推定器を提案する。
• 情報正則化付き推定器の最適化を可能にする、対数尤度の実用的下界である Multiple Causal Lower Bound (mclbo) を導入する。
• 処置と推定された交絡要因の間の非線形関係をモデル化するため、深層ニューラルネットワークを用いる。
• 交絡要因の調整後に得られる処置の残差情報に対してアウトカムを回帰することで因果効果を推定し、交絡要因の重複を避ける。
• 交絡要因のレベルが変化する合成データと、MIMIC-III における37種類の血液検査を処置として用いた実臨床データに本手法を適用する。
• 臨床データには正規分布尤度と、変数の標準化・変換を適用し、欠損値は各検査種別で中央値による補完を実施する。

実験結果

リサーチクエスチョン

• RQ1 共通の交絡要因を介して処置間で共有される交絡と、交絡要因を条件とした処置の独立性が、観察されない交絡要因のもとで一貫した因果効果推定を可能にするか？
• RQ2 相互情報量を正則化子として用いることで、処置固有の信号に過学習しないように、交絡要因推定をどのようにバランスさせられるか？
• RQ3 本稿で提案する MCEI 手法は、モデル不適合の状況下でも、PCA や他の従来手法に比べて交絡要因推定および因果効果回復において優れているか？
• RQ4 本手法は、血液検査値がICU滞在日数に与える影響といった、生物学的・臨床的に妥当な因果効果を実臨床医療データから回復できるか？
• RQ5 本手法は、観察されない交絡要因の増加に伴って、ベースライン手法と比較してどのように性能を示すか？

主な発見

• 交絡要因次元数が正しく指定されている場合、MCEI は PCA と同等またはそれ以上の交絡要因推定性能を示す。特に高レベルの交絡要因下で顕著である。
• 交絡要因次元数の誤指定（例：真の次元数 D=2 に対して D=10 を使用）に対しても、MCEI は MSE（平均二乗誤差）の観点で PCA を上回る高いロバストネスを示す。
• MIMIC-III データを用いた臨床実験では、MCEI は文献と整合する因果効果を回復した：血中尿素窒素と白血球数の上昇は、ICU 滞在日数の延長と関連していた。一方、低カリウム血症とクレアチニン上昇は逆の関係を示した。
• 処置の残差に基づくアウトカムモデルは、交絡要因によって説明されない因果信号を効果的に分離でき、情報の重複によるモデル崩壊を回避した。
• 処置数およびサンプル数が増加する条件下で、技術的条件を満たせば、MCEI は真の因果効果に収束することが示され、理論的整合性が裏付けられた。
• mclbo 下界により、複雑な非線形ニューラルネットワークアーキテクチャでさえも、情報正則化付き交絡要因推定器の安定的最適化が可能となった。