[논문 리뷰] A New Approach to Hierarchical Data Analysis: Targeted Maximum Likelihood Estimation of Cluster-Based Effects Under Interference

Laura B. Balzer, Wenjing Zheng외 2명|arXiv (Cornell University)|2017. 06. 08.

Advanced Causal Inference Techniques인용 수 2

한 줄 요약

이 논문은 집단 요인 또는 사회적/생물학적 상호작용으로 인해 개인의 결과가 상관관계를 이룰 때, 간섭이 존재하는 상황에서 집단 수준의 노출 효과를 추정하기 위한 두 가지 대상 최대우도추정량(TMLE)을 제안한다. 첫 번째 추정량은 임의의 간섭을 허용하기 위해 비모수 모델을 사용하며, 두 번째 추정량은 집단 수준 및 개인 수준의 공변량이 교란을 제어하는 데 충분하다는 가정을 한다. 시뮬레이션 결과, 하위모델을 가정하는 것은 편향을 유도할 수 있으며, 진정한 인과 모델에서 그 가정이 성립한다고 가정하는 것보다 추정 과정에서 작업 가정을 통합하는 것이 더 유리함을 보여준다.

ABSTRACT

We often seek to estimate the impact of an exposure naturally occurring or randomly assigned at the cluster-level. For example, the literature on neighborhood determinants of health continues to grow. Likewise, community randomized trials are applied to learn about real-world implementation, sustainability, and population effects of interventions with proven individual-level efficacy. In these settings, individual-level outcomes are correlated due to shared cluster-level factors, including the exposure, as well as social or biological interactions between individuals. To flexibly and efficiently estimate the effect of a cluster-level exposure, we present two targeted maximum likelihood estimators (TMLEs). The first TMLE is developed under a non-parametric causal model, which allows for arbitrary interactions between individuals within a cluster. These interactions include direct transmission of the outcome (i.e. contagion) and influence of one individual's covariates on another's outcome (i.e. covariate interference). The second TMLE is developed under a causal sub-model assuming the cluster-level and individual-specific covariates are sufficient to control for confounding. Simulations compare the alternative estimators and illustrate the potential gains from pairing individual-level risk factors and outcomes during estimation, while avoiding unwarranted assumptions. Our results suggest that estimation under the sub-model can result in bias and misleading inference in an observational setting. Incorporating working assumptions during estimation is more robust than assuming they hold in the underlying causal model. We illustrate our approach with an application to HIV prevention and treatment.

연구 동기 및 목표

• 개인이 간접 전파나 공변량 간섭과 같은 간섭으로 인해 상관관계를 이룰 때, 집단 수준의 노출 효과를 추정하는 데 도전하는 것.
• 제한적인 비모수적 가정 없이 집단 내 상호작용을 허용하는 유연한 비모수적 TMLE를 개발하는 것.
• 집단 수준 및 개인 수준의 공변량이 교란 제어에 충분하다고 가정하는 하위모델 기반 TMLE의 성능을 평가하는 것.
• 다양한 데이터 생성 메커니즘 하에서 두 추정량의 강건성과 효율성을 비교하는 것.
• HIV 예방 및 치료에 대한 적용을 통해 방법의 실용성을 보여주는 것.

제안 방법

• 집단 내 개인 간의 임의의 간섭(예: 직접 전파 및 공변량 간섭 포함)을 허용하기 위해 결과 메커니즘을 비모수적으로 모델링하는 비모수적 TMLE를 개발한다.
• 집단 수준 및 개인 특성 공변량이 교란을 제어하는 데 충분하다는 인과 하위모델을 가정하여 두 번째 TMLE를 구축한다.
• 표본 추론 기반 추정을 사용하여 관심 있는 매개변수를 목표로 삼으며, 이는 이중 강건성과 효율성을 보장한다.
• 대상 최소 손실 기반 추정(TMLE) 원리를 활용하여 초기 결과 및 치료 메커니즘 추정치를 수정함으로써 편향을 최소화한다.
• 영향 곡선 기반 추론을 통합하여 타당한 신뢰구간 및 가설 검정을 가능하게 한다.
• 다양한 설정에서 추정량 성능을 비교하기 위해 시뮬레이션을 수행하며, 간섭 유무 및 다양한 수준의 교란이 포함된 시나리오를 포함한다.

실험 결과

연구 질문

• RQ1 집단 수준 데이터에서 간섭이 존재할 때, 비모수적 TMLE와 하위모델 기반 TMLE의 성능는 어떻게 비교되는가?
• RQ2 교란 제어를 위한 하위모델을 가정하는 것이 관찰 연구에서 추정 편향에 어떤 영향을 미치는가?
• RQ3 추정 과정에서 교란에 대한 작업 가정을 통합하는 것이 진정한 인과 모델에서 그 가정이 성립한다고 가정하는 것보다 더 강건한가?
• RQ4 간섭이 존재할 때 개인 수준의 위험 요인과 결과는 추정 효율성에 어떻게 영향을 미치는가?
• RQ5 특히 HIV 예방과 같은 공중보건 적용 분야에서 간섭을 忽시할 경우 어떤 영향이 있는가?

주요 결과

• 하위모델 기반 TMLE는 가정된 교란 제어가 잘못되었을 경우, 모형이 정확하게 지정되어 있더라도 관찰 연구에서 편향된 추정치를 낼 수 있다.
• 측정되지 않았거나 잘못 모형화된 간섭이 존재할 경우, 하위모델 기반 추정은 잘못된 추론을 유도한다.
• 추정 과정에서 교란에 대한 작업 가정을 통합하는 것이 진정한 인과 모델에서 그 가정이 성립한다고 가정하는 것보다 더 강건하다.
• 비모수적 TMLE는 더 약한 가정 하에서도 타당한 추론을 제공하며, 간섭 메커니즘이 복잡하거나 알려져 있지 않을 경우에도 잘 작동한다.
• 시뮬레이션 결과, 추정 과정에서 개인 수준의 위험 요인과 결과를 함께 조합하면 효율성이 향상되고 편향이 감소함을 보여준다.
• HIV 예방 및 치료에 대한 적용 사례는 복잡한 간섭 패tern을 포함하는 실제 공중보건 환경에서 이 방법의 관련성을 입증한다.