[論文レビュー] Residual Balancing Weights for Marginal Structural Models: with Application to Analyses of Time-varying Treatments and Causal Mediation

Xiang Zhou, Geoffrey T. Wodtke|arXiv (Cornell University)|Jul 28, 2018

Advanced Causal Inference Techniques参考文献 17被引用数 3

ひとこと要約

本稿では、マージナル構造モデル（MSM）における残差バランス化重みを導入し、曝射分布のモデル化を避けて治療誘発性交絡要因の平均をモデル化することで、逆確率重み付け（IPW）の代替として、より頑健で効率的な手法を提示する。時間変動する治療や媒介分析において、特に連続的曝射が存在する状況で性能が向上し、シミュレーションにおいて有限標本特性とモデル不適合への耐性が優れている。

ABSTRACT

Treatment-induced confounding arises in analyses of time-varying treatments and also causal mediation where post-treatment variables affect both the mediator and outcome. In such settings, researchers often use marginal structural models (MSMs) with inverse probability weighting (IPW). However, IPW requires models for the conditional distributions of exposure to treatment and/or a mediator and is highly sensitive to their misspecification. Moreover, IPW is relatively inefficient, susceptible to finite-sample bias, and difficult to use with continuous exposures. We introduce an alternative method of constructing weights for MSMs, which we call balancing. In contrast to IPW, it requires modeling the conditional means of the treatment-induced confounders rather than the conditional distributions of exposure to treatment and/or a mediator, and it is therefore easier to use with continuous exposures. Using numeric simulations, we show that residual balancing is both more efficient and more robust to model misspecification compared with IPW and its variants. We illustrate the method by estimating (a) the cumulative effect of negative advertising on election outcomes and (b) the controlled direct effect of exposure to an impoverished neighborhood on child academic achievement while controlling for classroom size in a child's school. Open source software is available for implementing the proposed method.

研究の動機と目的

• 逆確率重み付け（IPW）の限界を是正すること。具体的には、モデル不適合に敏感であることや、有限標本における非効率性である。
• 治療誘発性交絡要因が媒介変数および結果に影響を与える時間変動する治療や因果媒介分析において、課題を克服すること。
• 曝射分布のモデル化を避けて、交絡要因の条件付き平均をモデル化することで、連続的曝射に対する重み付けを簡素化すること。
• モデル不適合や小標本サイズ下でも、マージナル構造モデルにおける推定の効率性と頑健性を向上させること。
• 複雑な治療ダイナミクスを伴う因果推論の現場で、実用的かつオープンソースの実装を提供すること。

提案手法

• 治療群間における治療誘発性交絡要因の平均をバランス化する残差バランス化重みを提案し、曝射メカニズムのモデル化の必要性を排除する。
• 共変量を調整した後の交絡要因平均の残差不均衡を最小化するように重みを構築し、不均衡をペナルティとする損失関数を用いる。
• 曝射または媒介変数の条件付き分布のモデル化を避けて、交絡要因平均を共変量に関して回帰することで重みを推定する。
• 得られた重みをマージナル構造モデルに適用し、累積的治療効果や制御直接効果などの平均因果効果を推定する。
• 2段階推定プロセスを採用：まず、柔軟なモデルを用いて交絡要因平均を推定し、次に、それらの平均が治療水準間でバランスするように重みを導出する。
• 従来のIPWが直面する曝射または媒介変数の密度のモデル化の必要性を回避することで、連続的曝射の利用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 モデル不適合下で因果効果を推定する際、残差バランス化はIPWと比べてバイアスと効率性の点でどのように異なるか？
• RQ2 IPWが実装が困難である状況において、残差バランス化は連続的曝射を効果的に扱えるか？
• RQ3 時間変動する治療や治療後交絡が存在する状況で、残差バランス化の性能はいかがなものか？
• RQ4 因果媒介分析において、残差バランス化は制御直接効果をどの程度正確に推定できるか？
• RQ5 小規模から中規模の標本サイズ下でも、残差バランス化は良好な有限標本特性を維持できるか？

主な発見

• 有限標本下で、特にモデル不適合下において、IPWおよびその変種と比較して、残差バランス化は低いバイアスと高い効率性を示した。
• IPWが曝射または媒介変数の分布の正確なモデル化に依存するのに対し、残差バランス化は交絡要因モデルの不適合に対してより頑健であった。
• 従来のIPWがしばしば実装不可能または不安定である連続的曝射に対しても、残差バランス化は信頼性の高い推定を可能にした。
• シミュレーションでは、曝射モデルが不適合であっても、残差バランス化は良好なカバレッジと精度を維持した。
• 媒介設定下で、累積的治療効果および制御直接効果の両方の推定において、IPWを上回る性能を示した。
• 実用的かつ検証済みのオープンソース実装が開発され、応用的因果推論研究における実用的導入を可能にした。