[논문 리뷰] A confounding bridge approach for double negative control inference on causal effects

Wang Miao, Xu Shi외 2명|arXiv (Cornell University)|2018. 08. 15.

Advanced Causal Inference Techniques참고 문헌 48인용 수 27

한 줄 요약

이 논문은 원인 인과 추론에서 측정되지 않은 혼동요인을 보정하기 위해 음성 대조 결과와 음성 대조 노출을 모두 활용하는 혼동 다리 접근법을 제안한다. 잠재적 결과와 음성 대조 결과 간의 관계를 혼동 다리 함수를 통해 모델링함으로써, 기존의 산술적 변수 가정이 성립하지 않을 경우에도 평균 인과 효과를 식별할 수 있으며, 초기 효과가 보정 후에 약화된 공기오염 연구에서의 강건성을 입증한다.

ABSTRACT

Unmeasured confounding is a key challenge for causal inference. In this paper, we establish a framework for unmeasured confounding adjustment with negative control variables. A negative control outcome is associated with the confounder but not causally affected by the exposure in view, and a negative control exposure is correlated with the primary exposure or the confounder but does not causally affect the outcome of interest. We introduce an outcome confounding bridge function that depicts the relationship between the confounding effects on the primary outcome and the negative control outcome, and we incorporate a negative control exposure to identify the bridge function and the average causal effect. We also consider the extension to the positive control setting by allowing for nonzero causal effect of the primary exposure on the control outcome. We illustrate our approach with simulations and apply it to a study about the short-term effect of air pollution on mortality. Although a standard analysis shows a significant acute effect of PM2.5 on mortality, our analysis indicates that this effect may be confounded, and after double negative control adjustment, the effect is attenuated toward zero.

연구 동기 및 목표

• 관찰 연구에서 지속적인 과제인 측정되지 않은 혼동요인을 다루기 위해.
• 개선된 혼동 보정을 위해 음성 대조 결과와 노출를 동시에 활용하는 방법을 개발하기 위해.
• 기존 산술적 변수 방법보다 더 약한 가정 하에서 평균 인과 효과의 식별을 제공하기 위해.
• 시간적 시리즈 및 다중 자료원 설정에서의 인과 추론의 강건성을 향상시키기 위해.
• 음성 대조를 통한 내장된 혼동 진단 기능을 갖춘 관찰 연구 설계를 위한 실용적 프레임워크를 제공하기 위해.

제안 방법

• 잠재적 결과의 평균과 음성 대조 결과의 분포를 연결하는 혼동 다리 함수를 도입한다.
• 음성 대조 노출을 사용하여 비모수적 방법으로 혼동 다리 함수와 평균 인과 효과를 식별한다.
• 모수적 또는 반모수적 모델링 하에서 효율적이고 강건한 추론을 위해 일반화된 모멘트 방법(GMM) 추정을 활용한다.
• 선형 구조 모델 하에서 식별성을 확립하고, 결과 모델 또는 대조 모델 중 하나만 올바르게 지정되어도 일관성을 확보하는 双중 강건성 성질을 갖는다.
• 주요 노출과 음성 대조 결과 간의 직접 인과 관계를 允許하는 프레임워크를 확장한다.
• (Y, Z, X)와 (W, Z, X)의 결합 분포에만 의존하여 이중 샘플 및 요약 자료 추론을 가능하게 하며, (Y, W)의 공동 분포가 필요로 하지 않는다.

실험 결과

연구 질문

• RQ1 측정되지 않은 혼동요인 보정을 위해 잠재적 결과와 음성 대조 결과를 연결하는 혼동 다리 함수를 구성할 수 있는가?
• RQ2 기존의 산술적 변수 가정이 성립하지 않을 경우, 음성 대조 결과와 노출를 함께 사용하여 평균 인과 효과를 식별할 수 있는가?
• RQ3 제안된 혼동 다리 접근법의 식별 가정과 강건성 성질은 무엇인가?
• RQ4 이 방법은 공기오염 연구와 같이 측정되지 않은 혼동요인이 존재하는 관찰 연구에서 얼마나 효과적으로 편향을 수정할 수 있는가?
• RQ5 이 방법은 주요 노출과 음성 대조 결과 간의 직접 인과 관계를 허용하도록 적응시킬 수 있는가?

주요 결과

• 费城의 공기오염 연구에서 표준 OLS 추정치는 PM2.5 농도가 10 μg/m³ 증가할 때마다 사망률이 10,000명당 84명 증가하는 유의미한 급성 효과를 보였다 (β₁ = 84).
• 이중 음성 대조 보정 후 추정 효과는 β₁ = 45 (95% 신뢰구간: -6, 97)로 약화되었으며, p-값은 0.0854로 더 이상 통계적으로 유의미한 효과가 아니었다.
• 혼동 검정은 페필라델피아(α₁ = -40, p = 0.0167)와 뉴욕(α₁ = -39, p = 0.0174)에서 유의미한 측정되지 않은 혼동요인을 감지했지만, 보스턴에서는 그렇지 않았다.
• 음성 대조 노출과 결과를 통해 혼동을 식별하고 보정함으로써, 잘못된 산술적 변수를 성공적으로 수정하였다.
• 선형 모델에서 이 방법은 이중 강건성을 보였으며, 결과 모델 또는 대조 모델 중 하나만 올바르게 지정되어도 일관성을 유지했다.
• 이 프레임워크는 이중 샘플 및 요약 자료 추론을 지원하여 개별 수준의 데이터가 필요로 하지 않는 여러 연구의 결과 통합을 가능하게 하였다.