[論文レビュー] Nonparametric Pattern-Mixture Models for Inference with Missing Data

Yen‐Chi Chen, Mauricio Sadinle|arXiv (Cornell University)|Apr 24, 2019

Bayesian Methods and Mixture Models参考文献 52被引用数 4

ひとこと要約

本稿では、欠損データにおける推論のための非パラメトリックなパターン混合モデルを提案する。このモデルは、カーネルスムージングを用いた補助的経験分布とドナーに基づく識別制約の下でのマルコフチェーンモンテカルロサンプリングを用いる。これにより、非単調欠損データ下でも、平均処置効果（ATE）などの機能的量の有効な点推定とブートストラップ信頼区間が可能となり、理論的保証と誤った仮定に対するロバストネスを備える。

ABSTRACT

Pattern-mixture models provide a transparent approach for handling missing data, where the full-data distribution is factorized in a way that explicitly shows the parts that can be estimated from observed data alone, and the parts that require identifying restrictions. We introduce a nonparametric estimator of the full-data distribution based on the pattern-mixture model factorization. Our approach uses the empirical observed-data distribution and augments it with a nonparametric estimator of the missing-data distributions under a given identifying restriction. Our results apply to a large class of donor-based identifying restrictions that encompasses commonly used ones and can handle both monotone and nonmonotone missingness. We propose a Monte Carlo procedure to derive point estimates of functionals of interest, and the bootstrap to construct confidence intervals.

研究の動機と目的

• 単調欠損と非単調欠損の両方を扱える非パラメトリックなパターン混合モデルのフレームワークを構築すること。
• ドナーに基づく識別制約を非パラメトリックな設定に統合・一般化すること。
• 平均処置効果などの関心の対象となる機能的量を、欠損データ下で計算可能にすること。
• 非パラメトリック推定下でのモンテカルロ推定とブートストラップ信頼区間の理論的妥当性を確立すること。
• 一貫したフレームワーク内で複数の識別制約を評価可能にすることで、感度分析を可能にすること。

提案手法

• 観測データの経験分布を基盤とし、条件付きカーネル密度推定器を用いて非パラメトリックに欠損データの分布を推定する。
• ドナーに基づく識別制約の下での推定を可能にするために、カーネルスムージングに基づく補助的観測データ分布を導入する。
• 推定された完全データ分布からのシミュレーションをモンテカルロ手順で行い、ATEなどの機能的量の数値的計算を可能にする。
• ブートストラップを用いて機能的量の有効な95％信頼区間を構築し、エフロンのブートストラップ図を用いて理論的根拠を提示する。
• アプローチはロバストに設計されており、推論は観測データと指定された識別制約にのみ依存する。誤った制約が適用されても問題ない。
• 正則性条件の下で収束速度と漸近正規性が導かれる。これにより推論の妥当性が裏付けられる。

実験結果

リサーチクエスチョン

• RQ1 非単調欠損が生じる状況下で、パターン混合モデルにおける非パラメトリック推論はどのように実現できるか？
• RQ2 ドナーに基づく同定化のための統一的フレームワークは、非単調欠損データに対しても拡張可能か？
• RQ3 非パラメトリックパターン混合モデル下での機能的量に対するモンテカルロ近似の理論的妥当性は何か？
• RQ4 この非パラメトリックフレームワーク下で、ブートストラップに基づく信頼区間はどのように構築され、正当化されるか？
• RQ5 識別制約の誤った指定に対して、推論はどの程度ロバストか？

主な発見

• 提案された機能的量推定のためのモンテカルロ手法は理論的に妥当であり、正則性条件の下で収束速度と漸近正規性が確立されている。
• 信頼区間の構築に用いられるブートストラップ手順は理論的証明およびエフロンのブートストラップ図により正当化されている。
• 統合的統計的臨床試験（統合的統計的臨床試験）において、週8週目の新薬対標準治療の平均処置効果（ATE）の95％ブートストラップ信頼区間は、すべてがゼロ未満に位置しており、新薬の優位性を強く示唆している。この結果は、欠損データの仮定に依存しない。
• この手法は非単調欠損を効果的に処理でき、縦断的単調欠損に限らないパターン混合モデルの適用範囲を拡張した。
• 同じ機能的量を複数の識別制約（例：AC、3NC、NC）の下で評価可能であり、感度分析が可能になった。仮定にかかわらず一貫した結論が得られた。
• 理論的結果により、推論は観測データと指定された識別制約にのみ依存することが示され、透明性と解釈可能性が保証された。