[논문 리뷰] A Meta-Learning Method for Estimation of Causal Excursion Effects to Assess Time-Varying Moderation

Jieru Shi, Walter Dempsey|arXiv (Cornell University)|2023. 06. 28.

Advanced Causal Inference TechniquesMathematics인용 수 3

한 줄 요약

이 논문은 고차원적 역사 정보의 사전 지정된 수작업 특징으로 인한 모형 오스펙리피케이션 문제를 해결하기 위해, 탈편향/직교 기계학습을 사용하는 메타-러닝 프레임워크를 제안한다. 이는 마이크로 랜덤라이제이션 시험(MRTs)에서 인과적 응답 효과를 추정하는 데 있어 효율적이고 강건한 시간에 따라 변화하는 치료 조절 효과 평가를 가능하게 한다. 비모수적 작업 모델 대신 기계학습을 사용하여 노이즈 성분 추정을 개선하고, 이중 강건성(드러난 오차가 없는 추정)을 확보함으로써 기존의 가중 최소제곱법 대비 편향 감소와 효율성 향상을 달성한다.

ABSTRACT

Advances in wearable technologies and health interventions delivered by smartphones have greatly increased the accessibility of mobile health (mHealth) interventions. Micro-randomized trials (MRTs) are designed to assess the effectiveness of the mHealth intervention and introduce a novel class of causal estimands called "causal excursion effects." These estimands enable the evaluation of how intervention effects change over time and are influenced by individual characteristics or context. Existing methods for analyzing causal excursion effects assume known randomization probabilities, complete observations, and a linear nuisance function with prespecified features of the high dimensional observed history. However, in complex mobile systems, these assumptions often fall short: randomization probabilities can be uncertain, observations may be incomplete, and the granularity of mHealth data makes linear modeling difficult. To address this issue, we propose a flexible and doubly robust inferential procedure, called "DR-WCLS," for estimating causal excursion effects from a meta-learner perspective. We present the bidirectional asymptotic properties of the proposed estimators and compare them with existing methods both theoretically and through extensive simulations. The results show a consistent and more efficient estimate, even with missing observations or uncertain treatment randomization probabilities. Finally, the practical utility of the proposed methods is demonstrated by analyzing data from a multiinstitution cohort of first-year medical residents in the United States (NeCamp et al., 2020).

연구 동기 및 목표

• 고차원적 역사 정보의 사전 지정된 수작업 특징으로 인한 MRT에서의 인과적 응답 효과 추정의 모형 오스펙리피케이션 문제를 해결하기 위해.
• 노이즈 성분에 대한 비모수적 작업 모델 대신 기계학습을 사용하여 추정 효율성과 강건성을 향상시키기 위해.
• 메타-러닝 원리와 탈편향 추정을 활용하여 이중 강건하고 渐近 정규 분포를 따르는 인과적 응답 효과 추정기법을 개발하기 위해.
• 모바일 헬스 간 interventions에서 시간에 따라 변화하는 치료 조절 효과를 데이터 기반으로도 유연하게 모델링할 수 있도록 하기 위해.

제안 방법

• 이 방법은 노이즈 성분(예: 결과 모델 및 치료 확률 모델) 추정을 감독 학습 문제로 간주하는 메타-러닝 프레임워크를 사용한다.
• 정규화 편향을 줄이기 위해 네이먼-직교 추정 방정식과 크로스-핏팅을 활용한다.
• 핵심 추정기는 가중치가 부여되고 중심화된 최소제곱(WCLS) 기준에 기반하며, 노이즈 성분은 유연한 기계학습 모델(예: 랜덤 포레스트, BART, 신경망)을 통해 추정된다.
• 이 방법은 이중 강건성을 확보한다: 최종 인과 효과 추정기는 결과 회귀 모델 또는 치료 확률 모델 둘 중 하나만 올바르게 지정되어 있더라도 일관성이 있다.
• 고차원적이고 시간에 따라 변화하는 공변량을 고려할 때도 점근 정규성과 타당한 추론을 보장하기 위해 탈편향/직교 추정을 적용한다.
• 적절한 모델 조정을 통해 결측치, 지연 효과, 이진 결과를 다룰 수 있도록 프레임워크를 확장한다.

Figure 1: Causal effects estimates with confidence intervals of R-WCLS ( left ) and DR-WCLS ( middle ), and their relative efficiency in comparisons with WCLS ( right ).

실험 결과

연구 질문

• RQ1 기계학습을 사용하여 인과적 응답 효과 추정에서 노이즈 성분을 추정할 때 편향이 발생하지 않도록 효과적으로 활용할 수 있는가?
• RQ2 제안된 메타-러닝 방법은 사전 지정된 특징을 사용하는 전통적 WCLS 대비 추정 효율성에서 어떻게 향상되는가?
• RQ3 결과 모델 또는 치료 모델 중 하나가 잘못 지정된 경우에도 이 방법이 이중 강건성을 확보하는가?
• RQ4 탄력적인 기계학습 모델 사용이 시간에 따라 변화하는 인과 효과에 대한 신뢰구간의 정밀도와 침습도에 어떤 영향을 미치는가?
• RQ5 복잡한 시간에 따라 변화하는 교란 요인을 포함한 실제 mHealth 데이터에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 이중 강건 WCLS 추정기는 시뮬레이션과 실제 데이터 모두에서 표준 WCLS 대비 상대적 효율성 향상을 보이며, 더 좁은 신뢰구간을 제공한다.
• DR-WCLS 방법은 결과 모델이나 치료 확률 모델 중 하나가 잘못 지정된 경우에도 개선된 침입도와 감소된 편향을 보이며, 이중 강건성을 확인했다.
• 의과대학 신입 수련의를 대상으로 한 사례 연구에서, 모바일 프롬프트가 초기 주에는 보행 수에 양의 인과 효과를 미쳤지만 시간이 지남에 따라 효과가 감소함을 확인하여 습관화 현상을 시사했다.
• 이 방법은 시간에 따라 변화하는 조절 효과를 성공적으로 식별했으며, 간 interventions의 효과가 이전 행동, 기분 및 맥락적 요인에 따라 달라짐을 보여주었다.
• 시뮬레이션 결과는 추정기의 점근 정규성을 확인하였고, 고차원적이고 시간에 따라 변화하는 공변량 하에서 이론적 성질의 타당성을 검증하였다.
• R-WCLS 및 DR-WCLS 방법은 복잡한 비선형 관계가 존재하는 설정에서 표준 WCLS보다 정밀도와 검정력 측면에서 뛰어난 성능을 보였다.

Figure 2: The decision tree used to generate $g(H_{t})$ , where $\{X_{1,t},\dots,X_{4,t}\}\subset H_{t}$