[論文レビュー] Semiparametric sensitivity analysis: unmeasured confounding in observational studies

Razieh Nabi, Matteo Bonvini+4 more|arXiv (Cornell University)|Apr 16, 2021

Advanced Causal Inference Techniques被引用数 6

ひとこと要約

本稿では、観察研究における平均因果効果（ACE）推定値が測定されない交絡要因に対してどれほど頑健であるかを評価するための半パラメトリック感度分析手法を開発する。固定された感度パラメータ下での非パラメトリック効率的影響関数を活用することで、感度パラメータに制限を設けず、√n 漸近正規性を達成する1段階的、分割標本型、切り捨て推定量を構築する。この手法により、喫煙が出生体重に与える因果効果のような状況においても、頑健な推論が可能となる。

ABSTRACT

Establishing cause-effect relationships from observational data often relies on untestable assumptions. It is crucial to know whether, and to what extent, the conclusions drawn from non-experimental studies are robust to potential unmeasured confounding. In this paper, we focus on the average causal effect (ACE) as our target of inference. We generalize the sensitivity analysis approach developed by Robins et al. (2000), Franks et al. (2020), and Zhou and Yao (2023). We use semiparametric theory to derive the non-parametric efficient influence function of the ACE, for fixed sensitivity parameters. We use this influence function to construct a one-step, split sample, truncated estimator of the ACE. Our estimator depends on semiparametric models for the distribution of the observed data; importantly, these models do not impose any restrictions on the values of sensitivity analysis parameters. We establish sufficient conditions ensuring that our estimator has root-n asymptotics. We use our methodology to evaluate the causal effect of smoking during pregnancy on birth weight. We also evaluate the performance of estimation procedure in a simulation study.

研究の動機と目的

• 観察研究における測定されない交絡要因に対して平均因果効果（ACE）推定値の感度を評価するための頑健な手法を開発すること。
• 感度パラメータにパラメトリック制約を課さない半パラメトリック理論を統合することで、既存の感度分析フレームワークを一般化すること。
• 感度パラメータに最小限の正則性条件のもとで、提案された推定量が√n 漸近正規性を達成することを保証すること。
• 測定されない交絡要因が存在する可能性がある状況下で、妊娠中の喫煙が出生体重に与える因果効果を評価すること。
• ノイズ関数が柔軟なモデルで推定されても有効な推論が可能である実用的で推論が正当化された手法を提供すること。

提案手法

• 測定されない交絡要因の感度パラメータを組み込んだ、半パラメトリックモデルのクラスにおけるACEの非パラメトリック効率的影響関数を導出する。
• 影響関数を用いて効率性と頑健性を向上させる1段階的、分割標本型、切り捨て推定量を提案する。
• 弱い正則性条件のもとで漸近正規性と推論の妥当性を保証するため、標本分割を採用する。
• ノイズ関数に柔軟な半パラメトリックモデル（例：GAM、シングルインデックスモデル、またはSuper Learner）を用いるが、感度パラメータに制限を設けない。
• √n 漸近的性質を満たす十分条件を確立し、感度パラメータが未知または変動する場合でも有効な推論を保証する。
• 影響関数理論を用いて、複雑な交絡構造や媒介変数を含むモデル、非無視的欠損を伴うモデルに対しても、同様に適応可能である。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、観察研究における測定されない交絡要因に対して平均因果効果推定値の頑健性を半パラメトリックフレームワークを用いて評価できるか？
• RQ2 感度パラメータ下での影響関数に基づくACE推定量とは何か？また、それは√n 漸近正規性を達成するか？
• RQ3 測定されない交絡要因が存在する有限標本において、提案手法はどのように性能を示すか？
• RQ4 本手法は、喫煙が出生体重に与える因果効果のような実世界のデータに、妥当な感度パラメータ値のもとで適用可能か？
• RQ5 感度パラメータが存在する状況で、ノイズ関数に柔軟かつ非パラメトリックな推定器を用いる場合の推論の有効性を保証する十分条件は何か？

主な発見

• 提案された1段階的、分割標本型、切り捨て推定量は、やや弱い正則性条件のもとで√n 漸近正規性を達成し、有効な推論を保証する。
• シミュレーション研究により、さまざまな標本サイズと感度パラメータ値のもとで、バイアスは低く抑えられ、95％前後で信頼区間のカバレッジが維持されている。
• 標本サイズn = 5000、感度パラメータρ = 1.5の場合、バイアスは-1.46グラム、カバレッジは0.95であり、良好な有限標本性能が示された。
• ペンシルベニア出生データセットの再解析において、喫煙による出生体重の減少量（203.2グラム）が測定されない交絡要因に敏感であることが明らかになった。
• 収束速度がn^{-1/4}を上回る限り、ノイズ関数がSuper Learnerなどの柔軟な手法で推定されても、推定量は有効なままである。
• 影響関数フレームワークを他の同定化状況（例：フロントドアモデル）に一般化可能であり、同様の同定式に適応することで、同様のアプローチが可能である。