[論文レビュー] Sequential causal inference in a single world of connected units

Aurélien Bibaut, Maya L. Petersen+3 more|arXiv (Cornell University)|Jan 18, 2021

Statistical Methods in Clinical Trials参考文献 29被引用数 4

ひとこと要約

本稿は、時間的およびネットワーク的依存性を示す接続された単位のネットワークにおける逐次的因果推論のフレームワークを開発し、時間的・ネットワーク的依存性のもとで適応的試験設計と推論を可能にする。一様時間収束性と確実な等連続性を備えた新規推定法を導入し、単一の依存観測ストリームのもとでも漸近的に有効な推論を達成する最適な治療割り当てと適応的停止ルールを実現する。

ABSTRACT

We consider adaptive designs for a trial involving N individuals that we follow along T time steps. We allow for the variables of one individual to depend on its past and on the past of other individuals. Our goal is to learn a mean outcome, averaged across the N individuals, that we would observe, if we started from some given initial state, and we carried out a given sequence of counterfactual interventions for $τ$ time steps. We show how to identify a statistical parameter that equals this mean counterfactual outcome, and how to perform inference for this parameter, while adaptively learning an oracle design defined as a parameter of the true data generating distribution. Oracle designs of interest include the design that maximizes the efficiency for a statistical parameter of interest, or designs that mix the optimal treatment rule with a certain exploration distribution. We also show how to design adaptive stopping rules for sequential hypothesis testing. This setting presents unique technical challenges. Unlike in usual statistical settings where the data consists of several independent observations, here, due to network and temporal dependence, the data reduces to one single observation with dependent components. In particular, this precludes the use of sample splitting techniques. We therefore had to develop a new equicontinuity result and guarantees for estimators fitted on dependent data. We were motivated to work on this problem by the following two questions. (1) In the context of a sequential adaptive trial with K treatment arms, how to design a procedure to identify in as few rounds as possible the treatment arm with best final outcome? (2) In the context of sequential randomized disease testing at the scale of a city, how to estimate and infer the value of an optimal testing and isolation strategy?

研究の動機と目的

• N 個の単位間に時間的およびネットワーク的依存性が存在する逐次試験における因果推論を可能にする。
• 最小限の後悔または探索時間で最適な干渉を学習する適応的治療ルールを設計する。
• 依存データのもとでの逐次仮説検定に適応的停止ルールを構築する。
• 独立標本の欠如に起因する依存性の下でも、漸近的に有効な推論を達成する。
• 依存データにおける推定量の時間に一様な収束性と確実な等連続性を支持する統計的モデルを開発する。

提案手法

• 介入の系列における反事後的結果を定義するために単一世界干渉フレームワークを用いる。
• 時間に一様な収束性と等連続性を支持するためのノイズパラメータの非パラメトリックモデルを導入する。
• 有効な推論を保証するため、時間に一様な集中バインディングを備えたターゲットド最大尤度推定（TMLE）を採用する。
• 異なる設計における推定量の漸近的分散の式を導出し、適応的設計選択を支援する。
• 各時刻における最適な設計を特定するために、漸近的分散のプラグイン推定を用いる。
• 極限定理の代わりに集中不等式を用いて、依存性のもとでの逐次検定における第一種過誤を制御する。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク的・時間的依存性を持つシステムにおいて、最適な治療群を最小限のラウンドで特定するための適応的試験をどのように設計できるか？
• RQ2 都市規模の逐次的感染症検査試験において、最適な検査・隔離戦略の価値をどのように推定・推論できるか？
• RQ3 時間的およびネットワーク的依存性により、観測が1つの依存ストリームに限定される場合に、推定量に対してどのような統計的保証を提供できるか？
• RQ4 このような依存性のもとで、逐次仮説検定のための適応的停止ルールをどのように構築できるか？
• RQ5 独立観測が存在しない状況でも、標本分割を避け、漸近的に有効な推論を達成できるか？

主な発見

• 提案手法は、ノイズ推定量の一様時間収束性と確実な等連続性を達成し、時間的およびネットワーク的依存性のもとで有効な推論を可能にする。
• 推定された漸近的分散を最小化する基準に基づく適応的設計は、確実に最適設計に収束し、TMLEが最小可能な漸近的分散を達成することを保証する。
• 集中不等式を活用することで、依存性のもとでの逐次検定に適応的停止ルールを構築でき、第一種過誤を制御する。
• 均一性仮定が個々の単位および時間にわたって成り立つため、1つの観測ストリームしか存在しないにもかかわらず、有効なサンプルサイズは T×N に比例する。
• 2群試験において τ=1 のとき、ネイマン割り当て設計が最適であると予想され、均一設計よりも高い効率性を示す。
• 標本分割を避けるために集中バインディングと一様収束性に依存するため、依存データの設定において特に重要である。