[論文レビュー] Pathway Lasso: Estimate and Select Sparse Mediation Pathways with High Dimensional Mediators

Yi Zhao, Xi Luo|arXiv (Cornell University)|Mar 24, 2016

Advanced Causal Inference Techniques参考文献 19被引用数 27

ひとこと要約

本稿では、高次元の媒介変数設定におけるスパースな媒介経路の推定と選択を可能にする、新しい正則化構造的方程式モデリング（SEM）手法であるPathway Lassoを提案する。経路効果に凸リラクゼーションペナルティを導入することで、安定した高次元推定と経路選択が可能となり、シミュレーションおよびfMRIデータにおいて、選択精度の向上とバイアスの低減を実現し、既存手法を上回る性能を示した。

ABSTRACT

In many scientific studies, it becomes increasingly important to delineate the causal pathways through a large number of mediators, such as genetic and brain mediators. Structural equation modeling (SEM) is a popular technique to estimate the pathway effects, commonly expressed as products of coefficients. However, it becomes unstable to fit such models with high dimensional mediators, especially for a general setting where all the mediators are causally dependent but the exact causal relationships between them are unknown. This paper proposes a sparse mediation model using a regularized SEM approach, where sparsity here means that a small number of mediators have nonzero mediation effects between a treatment and an outcome. To address the model selection challenge, we innovate by introducing a new penalty called Pathway Lasso. This penalty function is a convex relaxation of the non-convex product function, and it enables a computationally tractable optimization criterion to estimate and select many pathway effects simultaneously. We develop a fast ADMM-type algorithm to compute the model parameters, and we show that the iterative updates can be expressed in closed form. On both simulated data and a real fMRI dataset, the proposed approach yields higher pathway selection accuracy and lower estimation bias than other competing methods.

研究の動機と目的

• 媒介変数の数が多かったり、サンプルサイズを上回る場合の因果的媒介経路の推定と選択の課題に対処すること。
• 媒介変数が因果的に依存しており高次元である場合に、従来のSEMが示す不安定性を克服すること。
• 知らぬうちに媒介変数の順序が与えられていなくても、非ゼロの媒介効果を持つ少数の媒介変数からなるスパースな経路を同定する手法を開発すること。
• 新しい計算的に扱いやすいペナルティ関数を用いて、経路効果の同時推定と選択を可能にすること。
• 高次元のfMRIデータを用いた神経画像応用において、再現性とロバスト性を向上させること。

提案手法

• 各媒介変数の総合的媒介効果をモデル化する新しいSEM表現を提案し、媒介変数の因果的順序の知識を必要としない。
• 非凸な係数積の経路効果の凸リラクゼーションとして、Pathway Lassoを導入し、スパース推定を可能にする。
• 増大ラグランジュを用いた交替方向汎用法（ADMM）アルゴリズムを用いて最適化問題を解く。
• ADMMアルゴリズムにおけるすべてのパラメータの閉形式更新式を導出することで、計算効率を確保する。
• 媒介変数の変換や周辺化を必要とせず、元のデータそのものに直接適用可能である。
• チューニングパラメータの選定に10分割交差検証を用い、選択後の経路の有意性を評価するためにブートストラップを採用する。

実験結果

リサーチクエスチョン

• RQ1 高次元かつ因果的に依存する媒介変数設定において、効果的にスパースな媒介経路を推定・選択できる凸ペナルティを設計できるか？
• RQ2 提案手法のPathway Lassoは、マージナルSEMおよび二段階Lassoと比較して、経路選択精度と推定バイアスの面でどのように異なるか？
• RQ3 既存手法と比較して、繰り返しfMRIスキャンにおいてより安定的かつ再現性の高い結果をもたらすか？
• RQ4 高次元の独立成分を用いた機能的MRIデータにおいて、生物学的に意味のある脳経路を同定できるか？
• RQ5 高次元の媒介分析において、推定バイアスを低減しつつも高い選択精度を維持できるか、Pathway Lassoはどの程度その効果を発揮するか？

主な発見

• fMRIデータセットにおいて、Pathway LassoはTSLassoと比較して70%高いJaccard指数を達成し、優れた選択精度を示した。
• 経路効果推定のℓ2差は、Pathway Lassoがやや悪い（0.260）一方で、推定および選択の両面で高い再現性を示した。
• シミュレーション研究において、競合手法と比較して、Pathway Lassoは低い推定バイアスと高い経路選択精度を示した。
• 本手法は、IC 27を有意な経路として同定し、両走行（LR走行で−0.063、RL走行で−0.038）において一貫した負の媒介効果を示した。それぞれの媒介効果は31.7%および13.4%であった。
• ブートストラップによりIC 27の有意性が確認され、前頭前回頭部と関連する算術処理と関連していた。
• 経路の可視化により、刺激領域からBrodmann領域44への脳ネットワークが明らかになった。特に、上頭前回頭部が主要な媒介ノードであった。