[論文レビュー] Proximal Causal Inference for Complex Longitudinal Studies

Andrew Ying, Wang Miao+2 more|arXiv (Cornell University)|Sep 15, 2021

Advanced Causal Inference Techniques参考文献 35被引用数 6

ひとこと要約

本稿は、測定されない交絡要因の存在により逐次的無作為化仮定（SRA）が成立しない状況においても、縦断的設定におけるマージナル構造平均モデル（MSMM）を用いて因果効果の推定を可能にする、近接因果推論の拡張を提案する。時間変動する共変量を測定されない交絡要因の代理変数としてモデル化することで、非パラメトリックな同定化を確立し、二重にロバストな推定量を導出し、シミュレーションおよびリウマチ性関節炎患者におけるメトトレキサート効果の研究において、標準的なSRAに基づく手法と比較して有限標本性能が向上することを示した。

ABSTRACT

A standard assumption for causal inference about the joint effects of time-varying treatment is that one has measured sufficient covariates to ensure that within covariate strata, subjects are exchangeable across observed treatment values, also known as "sequential randomization assumption (SRA)". SRA is often criticized as it requires one to accurately measure all confounders. Realistically, measured covariates can rarely capture all confounders with certainty. Often covariate measurements are at best proxies of confounders, thus invalidating inferences under SRA. In this paper, we extend the proximal causal inference (PCI) framework of Miao et al. (2018) to the longitudinal setting under a semiparametric marginal structural mean model (MSMM). PCI offers an opportunity to learn about joint causal effects in settings where SRA based on measured time-varying covariates fails, by formally accounting for the covariate measurements as imperfect proxies of underlying confounding mechanisms. We establish nonparametric identification with a pair of time-varying proxies and provide a corresponding characterization of regular and asymptotically linear estimators of the parameter indexing the MSMM, including a rich class of doubly robust estimators, and establish the corresponding semiparametric efficiency bound for the MSMM. Extensive simulation studies and a data application illustrate the finite sample behavior of proposed methods.

研究の動機と目的

• 測定された共変量が測定されない交絡要因の代理にしかならない縦断的研究において、逐次的無作為化仮定（SRA）の制限を克服すること。
• 時間変動する治療の共同因果効果を、マージナル構造平均モデル（MSMM）の下で形式的に近接因果推論フレームワークとして開発すること。
• 測定されない交絡要因のメカニズムの時間変動する代理変数を用いた、因果効果の非パラメトリック同定化を確立すること。
• MSMMパラメータの正規かつ漸近的に線形な推定量（特に二重にロバストな推定量のクラス）を導出すること。
• シミュレーションおよびリウマチ性関節炎患者におけるメトトレキサート療法の実世界応用を通じて、有限標本性能を評価すること。

提案手法

• 時間変動する共変量を、治療および結果に影響を及ぼす交絡要因の代理、および治療と結果の共通原因に分類する近接因果推論フレームワークを提案する。
• 潜在的アウトカムフレームワークを用いて、代理変数を介して因果効果が非パラメトリックに同定可能な条件を形式化する。
• 2つの時間変動する代理変数（治療誘導型と結果誘導型の測定されない交絡要因のためのもの）を用いた半パラメトリックMSMMにおける同定化を確立する。
• MSMMパラメータの正規かつ漸近的に線形な推定量のクラス（結果モデルと治療モデルを組み合わせた二重にロバストな推定量を含む）を導出する。
• 近接フレームワーク下でのMSMMにおける半パラメトリック効率の下限を特定する。
• 本手法を、リウマチ性関節炎におけるメトトレキサート使用の縦断的研究に適用し、近接推定量と標準的なSRAに基づく二重にロバスト推定量を比較する。

実験結果

リサーチクエスチョン

• RQ1 時間変動する治療および結果を伴う縦断的設定において、近接因果推論を拡張できるか？
• RQ2 測定された共変量が縦断的研究において測定されない交絡要因の代理にしかならない場合、どのような条件下で因果効果が非パラメトリックに同定可能か？
• RQ3 近接フレームワーク下で、マージナル構造平均モデル（MSMM）のための二重にロバストな推定量をどのように構築できるか？
• RQ4 この近接縦断的設定における因果効果推定の半パラメトリック効率の下限は何か？
• RQ5 有限標本および実世界データにおいて、近接推定量は標準的なSRAに基づく推定量と比べてどのように異なるか？

主な発見

• 測定されない交絡要因の存在により逐次的無作為化仮定が成立しなくなった状況において、近接因果推論フレームワークは縦断的設定でも因果効果の同定に成功した。
• 4つの推定量（近接推定量、逆確率重み付け推定量、結果回帰推定量、二重にロバスト推定量）とも、6か月目におけるメトトレキサート投与開始に対して保護効果の推定量を示したが、累積モデルでは唯一近接推定量が有意であった。
• 12か月間のMTX療法に対する近接推定量の推定値は、6か月の投与開始と比較して約2倍であり、累積的治療効果がより適切であることを示唆している。
• 累積MSMMでは、すべての近接推定量がMTXの有意な保護効果を示したが、SRAに基づくDR推定量は弱く有意でなかった。
• 近接推定量はSRAに基づくDR推定量よりも顕著に大きな点推定値を示しており、残存交絡要因によるバイアスが低減されていることを示している。
• 補足的なシミュレーションにより、同定条件の違反に対してもロバストであることが確認され、コードは公開されており再現可能である。