[논문 리뷰] A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology

Boyu Ren, Xiao Wu외 3명|arXiv (Cornell University)|2021. 05. 07.

Air Quality and Health Impacts참고 문헌 35인용 수 4

한 줄 요약

이 논문은 연속적인 노출(예: 대기 오염물질)에 대해 인과적 노출-반응 함수(CERF)를 비모수적으로 추정하는 베이지안 가우시안 프로세스 모델을 제안한다. 이 모델은 일반화된 투여 확률(GPS)를 통해 공변량 균형을 모방하도록 설계된 커널 함수를 사용한다. 이 방법은 자동으로 불확실성 정량화, 도함수 추론을 통한 변화점 탐지 기능을 제공하며, GPS 모델의 잘못된 특정화가 있을 경우에도 강건한 성능을 보이며, 메디케어 사망률 데이터에 대해 PM₂.₅, 오존, NO₂에 적용된다.

ABSTRACT

Motivated by environmental policy questions, we address the challenges of estimation, change point detection, and uncertainty quantification of a causal exposure-response function (CERF). Under a potential outcome framework, the CERF describes the relationship between a continuously varying exposure (or treatment) and its causal effect on an outcome. We propose a new Bayesian approach that relies on a Gaussian process (GP) model to estimate the CERF nonparametrically. To achieve the desired separation of design and analysis phases, we parametrize the covariance (kernel) function of the GP to mimic matching via a Generalized Propensity Score (GPS). The hyper-parameters as well as the form of the kernel function of the GP are chosen to optimize covariate balance. Our approach achieves automatic uncertainty evaluation of the CERF with high computational efficiency, and enables change point detection through inference on derivatives of the CERF. We provide theoretical results showing the correspondence between our Bayesian GP framework and traditional approaches in causal inference for estimating causal effects of a continuous exposure. We apply the methods to 520,711 ZIP-code-level observations to estimate the causal effect of long-term exposures to PM2.5, ozone, and NO2 on all-cause mortality among Medicare enrollees in the US. A computationally efficient implementation of the proposed GP models is provided in the GPCERF R package, which is available on CRAN.

연구 동기 및 목표

• 환경 역학에서 연속적인 노출에 대해 인과적 노출-반응 함수(CERF)를 추정하기 위한 강건하고 비모수적인 방법을 개발하는 것.
• 연속적 치료에 대한 인과적 추론에서 불확실성 정량화, 변화점 탐지, 공변량 균형 문제를 해결하는 것.
• GPS 매칭에 영감을 받은 커널 파arametrization을 통해 설계 및 분석 단계를 통합한 확장 가능한, 계산적으로 효율적인 베이지안 프레임워크를 구축하는 것.
• CERF의 도함수에 대한 원칙적인 추론을 가능하게 하여 연속적 노출의 인과 효과에서 임계점 또는 단계 전환을 탐지하는 것.
• 정책 관련 환경 건강 연구에 유연하고 불확실성 인식 기능을 갖춘 도구를 제공함으로써, 특히 대기질 기준 설정에 기여하는 것.

제안 방법

• 모델은 설계 단계에서 GPS 기반 매칭을 모방하기 위해 공변량 균형을 유도하도록 특별히 파arametrized된 커널 함수를 갖춘 가우시안 프로세스(GP)를 사용한다.
• GP 커널의 하이퍼파ram터는 관측된 공변량의 불균형을 최소화하도록 최적화되어, GPS 모델의 잘못된 특정화에 대해 강건성을 확보한다.
• 모델는 도함수가 GP 과정이기도 하다는 성질을 활용하여 도함수에 대한 전면적인 베이지안 추론을 가능하게 하여 변화점 탐지를 가능하게 한다.
• 계산 효율성을 높이기 위해, 대규모 데이터셋(예: 520,711개의 우편번호 수준 관측치)에 적합하기 위해 최근접이웃 GP(nnGP) 근사법을 사용한다.
• GPS 추정에서 최종 CERF로의 불확실성 전파를 가능하게 하기 위해 계층적 베이지안 모델에 통합된 프레임워크이다.
• 이 방법은 CRAN에 있는 GPCERF R 패키지에 구현되어 있으며, 재현성과 광범위한 응용을 지원한다.

실험 결과

연구 질문

• RQ1 베이지안 가우시안 프로세스 모델은 공변량 균형을 확보하면서도 비모수적으로 인과적 노출-반응 함수를 추정할 수 있는가?
• RQ2 베이지안 프레임워크에서 CERF의 불확실성을 자동으로 효율적으로 정량화할 수 있는가?
• RQ3 CERF의 도함수를 사용하여 연속적 노출의 인과 효과에서 통계적으로 유의미한 변화점을 탐지할 수 있는가?
• RQ4 기존 방법과 비교해 GPS 모델의 잘못된 특정화 상황에서 이 방법은 어떤 성능을 보이는가?
• RQ5 공기오염물질의 인과 효과에 비선형 임계점이 탐지될 경우, 정책적으로 어떤 함의를 갖는가?

주요 결과

• 제안된 베이지안 GP 모델은 Wu 등(2022)의 GPS 매칭 방법과 유사한 성능을 보였으며, 평균 제곱오차는 略로 증가했지만, GPS 모델의 잘못된 특정화에 대해 더 강건한 성능을 보였다.
• 도함수 추론 기반의 변화점 탐지 알고리즘은 시뮬레이션에서 뛰어난 성능을 보였으며, 노출-반응 관계의 단계 전환을 정확히 식별했다.
• 미국 메디케어 데이터에 적용한 결과, PM₂.₅의 전원사망률에 대한 인과 효과에서 저-중간 노출 범위에서 잠재적인 변화점이 발견되어 비선형 임계점 효과가 있을 가능성이 제기되었다.
• nnGP 근사법을 사용하여 대규모 데이터셋(520,711건의 관측치)에 대해 성공적으로 확장되었으며, 계산 효율성과 정확한 불확실성 정량화를 유지했다.
• 결과는 이전 문헌과 일관되었으며, 특히 사망 위험이 급격히 증가하는 저노출 수준에서 PM₂.₅ 기준을 더욱 엄격히 설정할 필요성을 강화했다.
• 결과적으로, 결과 변수의 불확실성을 忽略할 경우 사후 신뢰구간이 지나치게 낙관적으로 나타났다; 향후 연구에서는 카운트 데이터에 적합한 적절한 가능도 모델을 통합해야 한다.