[論文レビュー] Semiparametric estimation of structural failure time model in continuous-time processes

Shu Yang, Karen S. Pieper+1 more|arXiv (Cornell University)|Aug 20, 2018

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿では、連続時間観察研究における構造的故障時間モデルに対して、人工的なデータ離散化を必要とせず、時間に応じて変化する交絡要因と従属的打ち切りを扱う、半パラメトリック二重ロバスト推定量を提案する。マーティングールに基づく同定化と、打ち切りの逆確率重み付けを活用することで、治療プロセスまたは故障時間モデルのいずれかが正しく指定されていれば一貫性のある推定が保証され、リサンプリングによる有効な推論が可能となる。

ABSTRACT

Structural failure time models are causal models for estimating the effect of time-varying treatments on a survival outcome. G-estimation and artificial censoring have been proposed to estimate the model parameters in the presence of time-dependent confounding and administrative censoring. However, most of existing methods require manually preprocessing data into regularly spaced data, which may invalidate the subsequent causal analysis. Moreover, the computation and inference are challenging due to the non-smoothness of artificial censoring. We propose a class of continuous-time structural failure time models, which respects the continuous time nature of the underlying data processes. Under a martingale condition of no unmeasured confounding, we show that the model parameters are identifiable from potentially infinite estimating equations. Using the semiparametric efficiency theory, we derive the first semiparametric doubly robust estimators, in the sense that the estimators are consistent if either the treatment process model or the failure time model is correctly specified, but not necessarily both. Moreover, we propose using inverse probability of censoring weighting to deal with dependent censoring. In contrast to artificial censoring, our weighting strategy does not introduce non-smoothness in estimation and ensures that the resampling methods can be used to make inference.

研究の動機と目的

• 縦観察データの自然な時間的スケールを尊重する連続時間構造的故障時間モデルの開発、人工的な離散化を回避すること。
• 治療と交絡要因が連続時間内で変化する観察的生存研究における、時間に応じて変化する交絡要因の取り扱い。
• 治療プロセスまたは故障時間モデルのいずれかが正しく指定されていれば一貫性を持つ半パラメトリック推定量の構築。
• 逆確率の打ち切り重み付け（IPCW）を用いて従属的打ち切りに対処し、人工的な打ち切り手法に起因する滑らかでない問題を回避すること。
• 滑らかな推定方程式を保証することで、リサンプリング技術による有効な推論を可能とすること。

提案手法

• 治療と潜在的ベースライン故障時間の分布的関係を用いて、順序を保つ仮定を緩和した連続時間構造的故障時間モデルを形式化する。
• 未測定の交絡要因がないことを示すためのマーティングール条件を課し、無限個の推定方程式からモデルパラメータを同定可能とする。
• 有効スコア理論を用いて、正規漸近線形な半パラメトリック推定量のクラスを導出し、半パラメトリック効率推定量を含む。
• 計算的に扱いやすく、二重ロバスト性を維持するこのクラス内での最適推定量を提案する。
• 逆確率の打ち切り重み付け（IPCW）を用いて従属的打ち切りを補正し、滑らかでない問題を回避するとともに、ブートストラップに基づく推論を可能とする。
• 高次元設定におけるスパarsityと安定性を確保するため、ヌイアンスモデルの適合にl1正則化回帰を適用する。

実験結果

リサーチクエスチョン

• RQ1 縦観察研究におけるデータ離散化を回避する連続時間構造的故障時間モデルは構築可能か？
• RQ2 時間に応じて変化する交絡要因と従属的打ち切りが存在する状況において、提案された推定量は二重ロバスト性を維持するか？
• RQ3 逆確率の打ち切り重み付けは、人工的な打ち切りを置き換えることで滑らかさを保ち、リサンプリングに基づく推論を可能にするか？
• RQ4 モデル誤指定下で、提案された推定量は既存の離散時間手法と比較してどのように性能を発揮するか？
• RQ5 治療プロセスモデルまたは故障時間モデルのいずれかが誤指定された場合、有限標本における推定量のバイアスと信頼区間のカバレッジにどのような影響を与えるか？

主な発見

• 提案された二重ロバスト推定量は、治療プロセスモデルまたは故障時間モデルのいずれかが正しく指定されていれば、他方が誤っても一貫性のある推定を維持する。
• 打ち切りモデルが正しく指定された場合、シミュレーションで名目水準95％に近いカバレッジ率を達成する。
• 打ち切りモデルが誤って指定された場合、カバレッジは顕著に低下する（例：61.6％から81.4％）が、ナードル推定量やIPCWのみのアプローチと比較して、依然としてバイアスが低減されている。
• 最適ヌイアンスモデル（c^opt）に基づく推定量は、シミュレーション設定において、すべての推定量の中で最小のバイアスと平均二乗誤差を達成する。
• 離散時間g推定量（ψ_disc）は連続時間データでは著しく性能が低く、極端なバイアス（例：ψ* = 0.5のとき-1.09）を示すため、連続時間手法の必要性が浮き彫りになる。
• 実応用において、l1正則化 Cox モデルが、打ち切りおよび治療プロセスのベースラインおよび時変化するハザード関数の推定に成功しており、高次元調整が可能である。