[論文レビュー] Spatial causal inference in the presence of unmeasured confounding and interference

Georgia Papadogeorgou, Srijata Samanta|arXiv (Cornell University)|Mar 14, 2023

Spatial and Panel Data Analysis被引用数 4

ひとこと要約

本稿では、観察的空間データにおける干渉と測定されない空間的交絡要因を同時にモデル化するベイジアン空間因果推論フレームワークを提案する。空間ランダム効果と暴露モデルを統合することで、交絡要因が測定されておらず空間的依存性が存在する状況でも因果効果を特定可能であり、パrameterの同定可能性を証明し、シミュレーションおよび米国郡レベルのSO₂排出量と心血管疾患死亡率に関する研究で、標準的手法よりも優れた推論を示した。

ABSTRACT

This manuscript unites causal inference and spatial statistics, presenting novel insights for causal inference in spatial data analysis, and drawing from tools in spatial statistics to estimate causal effects. We introduce spatial causal graphs to highlight that spatial confounding and interference can be entangled, in that investigating the presence of one can lead to wrongful conclusions in the presence of the other. Moreover, we show that spatial dependence in the exposure variable can render standard analyses invalid. To remedy these issues, we propose a Bayesian parametric approach based on tools commonly-used in spatial statistics. This approach simultaneously accounts for interference and mitigates bias from local and neighborhood unmeasured spatial confounding. From a Bayesian perspective, we show that incorporating an exposure model is necessary. Under a specific model formulation, we prove that all parameters are identifiable including the causal effects, even in the presence of unmeasured confounding. We illustrate the approach with a simulation study. We evaluate the effect of local and neighboring sulfur dioxide emissions from power plants on county-level cardiovascular mortality from observational spatial data in the United States, where unmeasured spatial confounding and interference might be present simultaneously.

研究の動機と目的

• 空間データを用いた因果推論において、空間的干渉と測定されない空間的交絡要因が複雑に絡み合う問題に取り組むこと。
• 一方を無視して他方を考慮する（例：干渉を無視して交絡要因を考慮する）と、誤った因果的結論に至る可能性があることを示すこと。
• 干渉と局所的および周辺の測定されない空間的交絡要因によるバイアスを同時に緩和するベイジアンパラメトリックモデルを開発すること。
• 測定されない交絡要因が存在する状況でも、空間的依存性が存在する中で、すべてのモデルパラメータの理論的同定可能性を確立すること。
• シミュレーションスタディおよび米国郡レベルの二酸化硫黄排出量と心血管疾患死亡率に関する事例研究を用いて、手法の性能を評価すること。

提案手法

• 測定されない空間的交絡要因を捉えるために空間ランダム効果を組み込んだベイジアン階層モデルを提案する。
• 地域レベルの暴露効果を考慮するための空間的暴露モデルを用い、干渉効果の推定を可能にする。
• 空間的データにおける干渉と交絡の複雑な関係を可視化・分析するための空間因果グラフを導入する。
• 適切な事前分布を用いた尤度ベースのフレームワークを採用し、後方分布推論とパrameterの同定可能性を保証する。
• 2次の郡隣接行列を用いて近隣の近隣の影響を定義し、隣接する地域からの影響伝播（スプライルオーバー効果）を可能にする。
• 後方分布の計算と不確実性の定量化のため、マルコフ連鎖モンテカルロ（MCMC）法を適用する。

実験結果

リサーチクエスチョン

• RQ1 干渉と測定されない空間的交絡要因が、片方だけをモデル化した場合に誤った因果的結論を導くような形で複雑に絡み合うことはあるか？
• RQ2 暴露変数における空間的依存性が、標準的因果推定手法の妥当性にどのように影響するか？
• RQ3 ベイジアン空間モデルは、干渉と測定されない空間的交絡要因を同時にモデル化しつつ、パrameterの同定可能性を保証できるか？
• RQ4 空間的依存性および測定されない交絡要因が存在する状況下で、提案手法と標準的OLSとの比較において、局所的および干渉効果の推定性能はどのように異なるか？
• RQ5 気象変数の組み込みが、実世界の空間データにおける因果効果推定にどの程度影響を及えるか？

主な発見

• 提案手法は、特に測定されない空間的交絡要因および暴露の依存性が存在する状況下で、OLSと比較して局所的および干渉効果の推定バイアスを顕著に低減した。
• シミュレーションスタディでは、干渉または交絡が存在する場合、標準的OLS推定器の95％信用区間のカバレッジが著しく不良であるのに対し、提案手法は適切なカバレッジを維持した。
• 事例研究では、二酸化硫黄排出量が心血管疾患死亡率に正の因果効果を及ぼすとモデルが推定され、空間的依存性および測定されない交絡要因による不確実性が信用区間によって適切に反映された。
• 気象変数の組み込みはOLS推定値にほとんど影響を及ぼさなかったため、モデル内での結果変動の大部分を人口統計および排出量変数が占めていることが示唆された。
• 理論的分析により、干渉および交絡に関連するすべてのモデルパラメータが、測定されない空間的交絡要因が存在する状況でも同定可能であることが証明された。
• 空間因果グラフは、空間的構造を誤って干渉や交絡に帰属させると、誤った因果的解釈に至る可能性があることを示し、両者を同時にモデル化する必要性を強調した。