[논문 리뷰] An Extended Sensitivity Analysis for Heterogeneous Unmeasured Confounding

Colin B. Fogarty, Raiden B. Hasegawa|arXiv (Cornell University)|2017. 11. 15.

Advanced Causal Inference Techniques인용 수 1

한 줄 요약

이 논문은 쌍화된 관찰 연구에서 최대 및 일반적인 숨겨진 편향을 동시에 제약하는 확장된 민감도 분석을 제안하며, 극단적 편향이 드물 때 보다 강건한 평가를 가능하게 한다. 이 방법은 이차적 프로그래밍을 통해 최대 편향과 평균 편향을 동시에 고려하여 유의수준 오류 제어를 유지하고, 측정되지 않은 교란요인에 대한 더 현실적인 평가를 가능하게 하며, 인지 능력 데이터 유무에 따라 학교 교육과 소득 간 형제 연구에서 검증되었다.

ABSTRACT

The conventional model for assessing insensitivity to hidden bias in paired observational studies constructs a worst-case distribution for treatment assignments subject to bounds on the maximal bias to which any given pair is subjected. In studies where rare cases of extreme hidden bias are suspected, the maximal bias may be substantially larger than the typical bias across pairs, such that a correctly specified bound on the maximal bias would yield an unduly pessimistic perception of the study's robustness to hidden bias. We present an extended sensitivity analysis which allows researchers to simultaneously bound the maximal and typical bias perturbing the pairs under investigation while maintaining the desired Type I error rate. We motivate and illustrate our method with two sibling studies on the impact of schooling on earnings, one containing information of cognitive ability of siblings and the other not. Cognitive ability, clearly influential of both earnings and degree of schooling, is likely similar between members of most sibling pairs yet could, conceivably, vary drastically for some siblings. The method is straightforward to implement, simply requiring the solution to a quadratic program. $ exttt{R}$ code is provided in the supplementary materials.

연구 동기 및 목표

• 기존 민감도 분석의 한계를 해결하기 위해, 모든 쌍에 대해 균일한 최대 편향을 가정하는 방식이지만, 극단적 편향이 드물 때 과도하게 강건성을 과대평가할 수 있음을 시사한다.
• 쌍화된 관찰 연구에서 최대 편향과 평균 편향 수준을 동시에 제약하는 방법을 개발한다.
• 측정되지 않은 교란요인에 대한 더 현실적인 범위를 허용하면서도 명목상의 유의수준 오류 비율을 유지한다.
• 인지 능력과 같은 측정되지 않은 교란요인이 몇몇 형제 쌍에서만 크게 변동할 수 있는 연구에서 인과적 영향 평가를 향상시킨다.

제안 방법

• 이 방법은 쌍화된 관찰 연구에서 최대 편향(최악의 경우)과 일반 편향(평균)에 대한 공동 제약 조건을 도입한다.
• 이중 제약 조건 하에서 가장 유리한 결과를 찾기 위해 문제를 이차적 프로그래밍으로 공식화하며, 이로 인해 유의수준 오류 제어가 유지된다.
• 이중 제약 조건 하에서 치료 배정의 최악의 경우 분포를 사용하여 측정되지 않은 교란요인에 대한 강건성을 확보한다.
• 이 방법은 극단적 편향과 일반적 편향에 대한 민감도를 균형 있게 고려하는 최적화 프레임워크를 통해 구현된다.
• 연구자들이 일반적이고 최악의 경우의 편향에 대한 현실적인 범위를 고려할 때 인과적 결론의 강건성 평가가 가능해진다.
• 응용 연구에서의 간편한 구현을 위해 보조 자료에 R 코드가 제공된다.

실험 결과

연구 질문

• RQ1 측정되지 않은 교란요인이 드물지만 일부 쌍에서는 극단적인 경우가 예상될 때 민감도 분석은 어떻게 향상될 수 있는가?
• RQ2 일반적 편향과 최대 편향을 동시에 제약함으로써 기존 방법에 비해 더 현실적인 강건성 평가가 이루어지는가?
• RQ3 평균 및 최악의 경우 편향 제약 조건을 동시에 포함하면서도 유의수준 오류 제어를 유지할 수 있는가?
• RQ4 형제 연구에서 인지 능력을 측정된 교란요인으로 포함할 경우 민감도 분석의 해석은 어떻게 달라지는가?
• RQ5 실제 관찰 연구에서 측정되지 않은 교란요인이 존재할 경우, 편향의 확장된 범위를 사용하는 데 실질적인 영향은 무엇인가?

주요 결과

• 확장된 민감도 분석은 측정되지 않은 교란요인의 일반적 수준과 최대 수준을 구분함으로써 더 세밀한 강건성 평가를 가능하게 한다.
• 인지 능력 데이터가 있는 형제 연구에서, 이 방법은 기존 접근보다 더 높은 강건성을 보여주었으며, 측정된 교란요인이 안정화 효과를 미친다는 점을 반영한다.
• 인지 능력 데이터가 없는 연구에서는 여전히 이 확장된 방법이 편향에 대해 더 현실적인 범위를 제공하여, 최대 편향을 과대평가함으로써 발생하는 낙관적 결과를 피할 수 있었다.
• 이 방법은 일반적 편향과 최대 편향에 대한 공동 제약 조건 하에서도 명목상의 유의수준 오류 비율을 성공적으로 유지한다.
• 이차적 프로그래밍 공식화 덕분에 효율적인 계산이 가능하여, 응용 연구에서의 일상적 사용에 실용적이다.
• 보조 자료에 제공된 R 코드는 연구자들이 즉각적인 구현을 가능하게 한다.