[논문 리뷰] Adaptive Combination of Randomized and Observational Data

David Cheng, Tianxi Cai|arXiv (Cornell University)|2021. 11. 29.

Advanced Causal Inference Techniques참고 문헌 30인용 수 9

한 줄 요약

이 논문은 랜덤화된 시험과 관찰 연구에서 유도된 조건부 평균 치료 효과(CATE) 추정기들을 가중치를 통해 조합하는 적응형 방법을 제안한다. 이 방법은 평균 제곱 오차를 최소화하도록 설계되었으며, 관찰 연구 추정기에서 편향이 발견될 경우 랜덤화된 추정기를 우선시하여 일致성과 강건성을 확보한다. 반면 편향이 미미할 경우 효율적으로 두 추정기를 통합한다. 이는 호르몬 치료에 관한 여성 건강 이니셔티브 연구에서 입증되었다.

ABSTRACT

Data from both a randomized trial and an observational study are sometimes simultaneously available for evaluating the effect of an intervention. The randomized data typically allows for reliable estimation of average treatment effects but may be limited in sample size and patient heterogeneity for estimating conditional average treatment effects for a broad range of patients. Estimates from the observational study can potentially compensate for these limitations, but there may be concerns about whether confounding and treatment effect heterogeneity have been adequately addressed. We propose an approach for combining conditional treatment effect estimators from each source such that it aggressively weights toward the randomized estimator when bias in the observational estimator is detected. This allows the combination to be consistent for a conditional causal effect, regardless of whether assumptions required for consistent estimation in the observational study are satisfied. When the bias is negligible, the estimators from each source are combined for optimal efficiency. We show the problem can be formulated as a penalized least squares problem and consider its asymptotic properties. Simulations demonstrate the robustness and efficiency of the method in finite samples, in scenarios with bias or no bias in the observational estimator. We illustrate the method by estimating the effects of hormone replacement therapy on the risk of developing coronary heart disease in data from the Women's Health Initiative.

연구 동기 및 목표

• 랜덤화된 시험과 관찰 연구 데이터가 모두 이용 가능한 상황에서 조건부 평균 치료 효과(CATE)를 추정하기 위한 강건한 방법을 개발하는 것.
• 관찰 연구에서의 혼란 변수 편향 문제를 다루면서도 더 큰 표본 크기와 더 높은 이질성을 활용하는 것.
• 두 추정기 간의 호환성에 기반해 관찰 연구 추정기와 시험 추정기를 적응적으로 조합함으로써 편향 위험을 최소화하는 CATE 추정기 개발.
• 관찰 연구의 가정이 위반되더라도 진정된 CATE에 대해 일致성을 확보하는 것.
• 관찰 연구 추정기가 편향이 없고 신뢰할 만할 경우, 추정기들을 조합하여 효율성을 최적화하는 것.

제안 방법

• 혼란 변수와 치료 효과 이질성에 대한 가정 하에 랜덤화된 시험과 관찰 연구 데이터로부터 기본 CATE 추정기를 구축한다.
• 추정된 평균 제곱 오차(MSE)를 최소화하기 위해 조합을 정규화된 최소 제곱 문제로 설정한다.
• 관찰 연구 추정기의 최적 가중치는 추정된 MSE를 최소화함으로써 결정되며, 이는 추정기 간의 괴리(이격)가 감지될 경우 랜덤화된 추정기 쪽으로 적응적으로 수축하는 결과를 낳는다.
• 관찰 연구 추정기가 편향될 수 있더라도 랜덤화된 추정기가 유효하다는 가정 하에 진정된 CATE에 대해 일치성을 보장한다.
• 결합된 추정기의 渐近적 성질을 유도하여, 추정기가 호환될 경우 최적의 효율성을 달성하고 편향이 존재할 경우 강건성을 확보함을 보여준다.
• 영향 함수를 사용하여 점근적 분산을 추정하고, 결합된 CATE에 대한 95% 신뢰구간을 구성한다.

실험 결과

연구 질문

• RQ1 관찰 연구 추정기에서 편향이 존재하더라도 신뢰할 수 있는 추정을 유지하면서 효율성을 확보할 수 있는 통합 CATE 추정기를 구축할 수 있는가?
• RQ2 랜덤화된 추정기와 관찰 연구 추정기 사이의 데이터 기반 가중치 조정을 통해 일치성과 최적 효율성을 확보할 수 있는가?
• RQ3 단순히 시험 데이터나 관찰 데이터에만 의존하는 것과 비교해, 적응형 방법이 평균 제곱 오차를 얼마나 줄이는가?
• RQ4 관찰 연구 추정기가 편향이 있거나 없는 경우 유한 표본에서 이 방법의 성능은 어떠한가?
• RQ5 랜덤화된 연구와 관찰 연구 간의 CATE 추정치 간 괴리 문제를 효과적으로 다룰 수 있으며, 원인적 타당성을 유지할 수 있는가?

주요 결과

• 관찰 연구 추정기가 편향되어 있어도, 랜덤화된 추정기 기반의 잠재적 안정성 덕분에 진정된 CATE를 일관되게 추정한다.
• 관찰 연구 추정기의 편향이 미미한 상황에서는 데이터 기반 가중치를 통해 두 추정기를 조합함으로써 최적의 효율성을 달성한다.
• 시뮬레이션 결과, 다양한 상황(편향 있음/없음)에서 평균 제곱 오차가 낮게 유지됨을 보여주며, 이는 안정성을 입증한다.
• 여성 건강 이니셔티브 적용 사례에서, 적응형 추정기는 저위험군에서는 E+P의 경미한 보호 효과를 나타냈고, 고위험군에서는 불확실하거나 해로운 효과를 보여주어 충돌하는 시험 및 관찰 연구 결과를 조율하였다.
• 치료 효과의 차이가 큰 하위군에서는 추정된 가중치가 0으로 수축되어, 추정의 괴리가 가장 큰 영역에서 시험 데이터에 더 의존함을 나타냈다.
• 이 방법은 매끄러운 적응성을 보였으며, 관찰 연구 추정기가 시험 추정기와 다를 경우 결합된 추정기는 시험 추정기 쪽으로 이동하여 편향 위험을 줄였다.