[논문 리뷰] A causal inference framework for spatial confounding

Brian Gilbert, Abhirup Datta외 2명|arXiv (Cornell University)|2021. 12. 30.

Spatial and Panel Data Analysis인용 수 10

한 줄 요약

이 논문은 공간적 교란 요인으로서의 인과적 추론 프레임워크를 제안하며, 이를 측정되지 않은 공간적으로 구조화된 교란 요인으로 정의한다. 두 가지 핵심 식별 가정—공간 좌표에 대한 교란 요인의 가측성과 노출의 비공간적 변동성—을 도입하고, 공간적 의존성 하에서도 강력하고 점근적으로 정규분포를 따르는 추론을 보장하는 더블 머신러닝(DML) 추정기를 개발한다. 시뮬레이션과 실세계 연구(미세먼지 PM2.5와 출생 체중 간 관계)에서 기존 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Over the past few decades, addressing "spatial confounding" has become a major topic in spatial statistics. However, the literature has provided conflicting definitions, and many proposed solutions are tied to specific analysis models and do not address the issue of confounding as it is understood in causal inference. We offer an analysis-model-agnostic definition of spatial confounding as the existence of an unmeasured causal confounder variable with a spatial structure. We present a causal inference framework for nonparametric identification of the causal effect of a continuous exposure on an outcome in the presence of spatial confounding. In particular, we identify two critical additional assumptions that allow the use of the spatial coordinates as a proxy for the unmeasured spatial confounder: the measurability of the confounder as a function of space, which is required for conditional ignorability to hold, and the presence of a non-spatial component in the exposure, required for positivity to hold. We also propose studying a causal estimand based on a "shift intervention" that requires less stringent identifying assumptions than traditional estimands. We then turn to estimation and focus on "double machine learning" (DML), a procedure in which flexible models are used to regress both the exposure and outcome variables on confounders to arrive at a causal estimator with favorable robustness properties and convergence rates. This procedure avoids restrictive assumptions, such as linearity and effect homogeneity, which are typically made in spatial models and which can lead to bias when violated. We demonstrate the advantages of the DML approach analytically and via extensive simulation studies. We apply our methods and reasoning to a study of the effect of fine particulate matter exposure during pregnancy on birthweight in California.

연구 동기 및 목표

• 공간적 교란 요인을 분석 모델에 종속되지 않는 방식으로 정의하며, 이를 공간적으로 구조화된 측정되지 않은 교란 요인으로 간주한다.
• 공간적 교란 요인이 존재하는 상황에서 유효한 인과적 식별을 위해 필요한 최소한의 비모수적 가정을 규명한다.
• 기존의 복합적 노출-반응 곡선 추정 방식보다 더 엄격한 정규성 조건을 필요로 하지 않는 보정 추정량을 제안한다.
• 공간적 의존성 하에서도 융통성 있고 강력한 추정이 가능한 더블 머신러닝(DML) 접근법을 개발하고 정당화한다.
• 시뮬레이션과 실세계 적용(임신기 PM2.5 노출과 출생 체중 간 관계)을 통해 제안된 방법이 기존 방법보다 뛰어나다는 것을 입증한다.

제안 방법

• 공간적 교란 요인을 측정되지 않은 공간적으로 구조화된 교란 요인이 존재하는 것으로 정의하며, 분석 모델과 독립적이다.
• 두 가지 핵심 식별 가정을 도입한다: (1) 교란 요인이 공간 좌표의 가측 함수이므로 조건부 무시 가능성이 확보된다; (2) 노출에 비공간적 변동성이 존재하여 정규성 조건이 확보된다.
• 전체 노출-반응 곡선보다 더 강력한 대안으로 보정 추정량을 제안하며, 이는 더 엄격한 정규성 조건을 요구하지 않는다.
• 공간적 교란 요인에 대해 유연한 모델을 사용해 결과와 노출을 모두 회귀분석한 후 잔차화를 통해 인과 효과를 추정함으로써 더블 머신러닝(DML)을 적용한다.
• 공간적 의존성 하에서도 DML 추정기의 점근적 정규성을 증명하여 타당한 추론을 보장한다.
• 시뮬레이션 연구와 캘리포니아의 PM2.5 노출 및 출생 체중에 대한 실세계 분석을 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 비모수적 가정이 어떤 조건에서 공간적 교란 요인이 존재하는 상황에서도 인과 효과를 식별할 수 있는가?
• RQ2 제한적인 파rametric 모델에 의존하지 않고, 공간 좌표를 측정되지 않은 공간적 교란 요인의 대체 측정치로 사용할 수 있는 조건은 무엇인가?
• RQ3 공간 좌표를 교란 요인의 대체 측정치로 사용할 경우, 인과 추론에서 정규성 조건을 확보하기 위한 조건은 무엇인가?
• RQ4 제안된 보정 추정량은 표준 추정량과 비교해 어떤 식별 가정과 해석 가능성에서 더 유리한가?
• RQ5 더블 머신러닝은 복잡한 의존성 구조를 가진 공간 데이터에서 강력하고 효율적이며 점근적으로 정규분포를 따르는 추론을 제공할 수 있는가?

주요 결과

• BART와 스퍼인 모델 기반 DML 추정기에서 고노이즈 시뮬레이션에서 평균제곱오차(MSE)가 가장 낮았고(5.621×10⁻⁵), 신뢰구간 커버리지가 가장 높았다(84%).
• 비선형성과 이질적 효과가 존재하는 상황에서도 단일 머신러닝 방법에 비해 편향과 MSE를 감소시켰다.
• 보정 추정량은 전체 노출-반응 곡선 추정보다 더 엄격한 정규성 조건을 요구하지 않아 실무에서 더 강력한 성능을 보였다.
• 비선형 관계와 효과 이질성 존재 시, 전통적인 공간 모델(gSEM, spatial+, RSR)보다 뛰어난 성능을 보였다.
• 실세계 적용에서 DML 프레임워크는 기존 방법에 비해 임신기 PM2.5 노출과 출생 체중 간 인과 효과에 대해 더 신뢰할 수 있는 추론을 제공했다.
• 부드러운 교란 표면의 경미한 위반에도 성능에 미미한 영향을 미쳐, 부드러움 가정의 경미한 위반에도 강인함을 입증했다.