[論文レビュー] Within-Person Variability Score-Based Causal Inference: A Two-Step Semiparametric Estimation for Joint Effects of Time-Varying Treatments

Satoshi Usami|arXiv (Cornell University)|Jul 8, 2020

Advanced Causal Inference Techniques被引用数 8

ひとこと要約

本稿では、時間的に変化する連続的処置を伴う縦断的研究における因果推論のための2段階的半パラメトリック手法を提案する。この手法は、個人内変動スコアを用いて、個人内効果と安定的特性の交絡要因を分離する。構造方程式モデリングを用いて個人内変動を抽出し、G-推定による構造的ネスト平均モデルを適用することで、安定的特性が観測されない場合でも、バイアスを著しく低減する強固な因果推定を達成する。

ABSTRACT

Behavioral science researchers have recently shown strong interest in disaggregating within- and between-person effects (stable traits) from longitudinal data. In this paper, we propose a method of within-person variability score-based causal inference for estimating joint effects of time-varying continuous treatments by effectively controlling for stable traits as time-invariant unobserved confounders. After conceptualizing stable trait factors and within-person variability scores, we introduce the proposed method, which consists of a two-step analysis. Within-person variability scores for each person, which are disaggregated from stable traits of that person, are first calculated using weights based on a best linear correlation preserving predictor through structural equation modeling. Causal parameters are then estimated via a potential outcome approach, either marginal structural models (MSMs) or structural nested mean models (SNMMs), using calculated within-person variability scores. We emphasize the use of SNMMs with G-estimation because of its doubly robust property to model errors. Through simulation and empirical application to data regarding sleep habits and mental health status from the Tokyo Teen Cohort study, we show that the proposed method can recover causal parameters well and that causal estimates might be severely biased if one does not properly account for stable traits.

研究の動機と目的

• 縦断的研究における時間的に変化しない処置の交絡要因として作用する未観測の安定的特性の課題に対処すること。
• 行動科学データにおいて、個人内変動効果と個人間の安定的特性効果を分離すること。
• 安定的特性が観測されないが、処置とアウトカムの両方に影響を与える状況において、有効な因果推定を可能にする手法を開発すること。
• 未測定の交絡要因を制御しつつ、時間的変動する処置効果の代理としての個人内変動スコアを用いることで、推定の正確性を向上させること。
• シミュレーションと睡眠および精神的健康データへの実応用を通じて、この手法の強健性と有効性を示すこと。

提案手法

• 最初の段階では、構造方程式モデリングに基づく最良の線形相関保存予測子を用いて、各個人の個人内変動スコアを抽出し、安定的特性成分から分離する。
• この手法は、構造方程式モデリングから導かれる重みを用い、元の時間的変動する処置の相関構造が保持された個人内変動スコアを保証する。
• 2番目の段階では、潜在的アウトカムフレームワークを用いて因果パラメータを推定し、特にG-推定を用いた構造的ネスト平均モデル（SNMMs）を適用して二重のロバストネスを達成する。
• マージナル構造的モデル（MSMs）やSNMMsを用いるが、モデルの誤指定に対して二重のロバストネスを有するため、SNMMsを強調する。
• この手法は、個人内変動スコアを関心の暴露変数として扱い、未観測の安定的特性を調整しつつ、処置効果の同時推定を可能にする。
• SNMMsにおけるG-推定により、結果モデルまたは処置モデルのいずれかが誤指定されても、一貫性のある推定が保証される。

実験結果

リサーチクエスチョン

• RQ1 個人内変動スコアは、縦断データにおいて、安定的特性の交絡要因から時間的変動する処置効果をどれだけ効果的に分離できるか。
• RQ2 安定的特性が未観測の場合、この手法は標準的手法と比較してどれほどバイアス低減に寄与するか。
• RQ3 時間的に変化する連続的処置と、安定的特性による未測定の交絡要因が存在する状況において、真の因果効果を回復できるか。
• RQ4 特にモデルの誤指定に対するロバストネスの観点から、この手法の性能はいかがなものか。
• RQ5 睡眠習慣や精神的健康アウトカムのような実世界の行動科学データにおいて、この手法はどの程度の性能を示すか。

主な発見

• 安定的特性が未観測であり、交絡要因として作用する場合でも、提案手法は因果パラメータを最小限のバイアスで回復できた。
• 安定的特性が適切に取り入れられていない場合、因果推定は著しくバイアスを示し、それらの要因を制御することが重要であることが浮き彫りになった。
• G-推定を用いたSNMMsは二重のロバストネスを提供し、モデルの誤指定下でも一貫性を保った。
• シミュレーション結果は、個人内変動スコアが、安定的特性とは独立して時間的変動する処置効果を効果的に捉えられることを示した。
• 東京ティーン・コhortデータへの実応用では、この手法が従来のアプローチよりも信頼性の高い因果推定をもたらすことが確認された。
• 実世界の行動科学データにおいて、この手法は個人内効果と安定的特性の影響を効果的に分離する強力な性能を示した。