[論文レビュー] Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification

Hyun-Suk Lee, Yao Zhang+4 more|arXiv (Cornell University)|Jun 14, 2020

Advanced Causal Inference Techniques参考文献 28被引用数 8

ひとこと要約

本稿では、任意の個別化治療効果（ITE）推定器とコンformal予測による不確実性評価を組み合わせることで、異質的治療効果（HTE）分析に耐性のある再帰的分割法R2Pを提案する。R2Pは、グループ間の差異とグループ内の一様性を両方強制することで、合成および準合成データセットにおいて最先端の手法よりも信頼性が高く信頼区間が狭いサブグループの同定を改善する。

ABSTRACT

Subgroup analysis of treatment effects plays an important role in applications from medicine to public policy to recommender systems. It allows physicians (for example) to identify groups of patients for whom a given drug or treatment is likely to be effective and groups of patients for which it is not. Most of the current methods of subgroup analysis begin with a particular algorithm for estimating individualized treatment effects (ITE) and identify subgroups by maximizing the difference across subgroups of the average treatment effect in each subgroup. These approaches have several weaknesses: they rely on a particular algorithm for estimating ITE, they ignore (in)homogeneity within identified subgroups, and they do not produce good confidence estimates. This paper develops a new method for subgroup analysis, R2P, that addresses all these weaknesses. R2P uses an arbitrary, exogenously prescribed algorithm for estimating ITE and quantifies the uncertainty of the ITE estimation, using a construction that is more robust than other methods. Experiments using synthetic and semi-synthetic datasets (based on real data) demonstrate that R2P constructs partitions that are simultaneously more homogeneous within groups and more heterogeneous across groups than the partitions produced by other methods. Moreover, because R2P can employ any ITE estimator, it also produces much narrower confidence intervals with a prescribed coverage guarantee than other methods.

研究の動機と目的

• 特定のITE推定器に依存する既存のHTE手法の限界を是正し、サブグループ内でのばらつきを無視する問題に対処する。
• ITE推定器の選択に依存しない柔軟なサブグループ分析フレームワークを構築する。
• 誤発見を低減するために、サブグループ内での強い一様性を確保するとともに、グループ間の差異を最大化する。
• コンフォーマル予測を用いて、各サブグループにおけるITE推定値の有効で狭い信頼区間を提供する。
• 医療および政策応用分野における信頼性が高く、解釈可能で耐性のあるサブグループ同定を実現する。

提案手法

• R2Pは、任意の外部で指定されたITE推定器（例：ランダムフォレスト、ガウス過程、ディープラーニング）を用いて個別化治療効果を推定する。
• グループ間の差異とグループ内の一様性のバランスを取る新しい基準に基づいて再帰的分割を実行する。
• コンフォーマル予測を用いてITE推定値の不確実性を評価し、有限標本における被覆保証付きの有効な予測区間を生成する。
• R2Pは「自信のある一様性」を強制し、サブグループ内での治療効果の予測区間が狭く、かつグループ間で重複しないようにする。
• グループ内一様性とグループ間差異の両方がさらに向上しないまで、人口を再帰的に分割する。
• 不確実性評価を分割基準に統合することで、サブグループが統計的に有意に異なるだけでなく、信頼性のある推定値を持つことを保証する。

実験結果

リサーチクエスチョン

• RQ1 ITE推定器の選択に依存しないHTEの再帰的分割法を設計することは可能か？
• RQ2 サブグループ内ばらつきを明示的に制御することで、サブグループ同定における誤発見を低減できるか？
• RQ3 分割プロセスに不確実性評価を統合することで、有効で狭いITE推定値の信頼区間を生成できるか？
• RQ4 グループ間の差異とグループ内一様性の両方を強制することで、既存手法と比較してより信頼性が高く解釈可能なサブグループが得られるか？
• RQ5 R2Pは、サブグループ内一様性、差異、信頼区間幅という観点で、最先端手法をどの程度上回るか？

主な発見

• 合成データセットAではサブグループ内分散を89%低減し、合成データセットBでは95%以上低減し、強いグループ内一様性を示した。
• 準合成データセットでは、IHDPで50%以上、CPPで30%以上、サブグループ内分散を低減し、データタイプを問わず堅牢な性能を確認した。
• R2Pは被覆率を維持しながら、ベースライン手法よりも顕著に狭い信頼区間を生成し、ITE推定の精度を向上させた。
• すべての実験において、R2Pは重複するか明確に区別された治療効果分布を持つサブグループを同定したのに対し、ベースライン手法は頻繁に誤発見を生じた。
• R2Pは、すべての指標（グループ間差異、グループ内一様性、信頼区間幅）で、すべてのベースラインを上回った。
• R2Pが任意のITE推定器を利用できることで、将来的な推定技術の進歩をそのまま活用でき、サブグループ発見プロセスの再設計を必要としない。