[논문 리뷰] Assessing lack of common support in causal inference using Bayesian nonparametrics: Implications for evaluating the effect of breastfeeding on children's cognitive outcomes

Jennifer Hill, Yu‐Sung Su|arXiv (Cornell University)|2013. 11. 28.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 반사적 원인 인과 추론에서 공통 인과 지원이 부족한 단위를 식별하기 위해 베이지안 비모수적 방법을 제안한다. 이 방법은 반사적 결과의 사후 불확실성을 활용하여 신뢰할 수 없는 추론을 탐지한다. BART(베이지안 덧셈 회귀 트리) 기반의 기각 규칙이 기존의 성향 스코어 방법보다 더 잘 유효한 단위를 유지하고 진정한 공변량-결과 관계를 반영함으로써 고차원 설정에서 복잡한 상호작용이 존재할 경우에 더 뛰어난 성능을 보임을 보여준다.

ABSTRACT

Causal inference in observational studies typically requires making comparisons between groups that are dissimilar. For instance, researchers investigating the role of a prolonged duration of breastfeeding on child outcomes may be forced to make comparisons between women with substantially different characteristics on average. In the extreme there may exist neighborhoods of the covariate space where there are not sufficient numbers of both groups of women (those who breastfed for prolonged periods and those who did not) to make inferences about those women. This is referred to as lack of common support. Problems can arise when we try to estimate causal effects for units that lack common support, thus we may want to avoid inference for such units. If ignorability is satisfied with respect to a set of potential confounders, then identifying whether, or for which units, the common support assumption holds is an empirical question. However, in the high-dimensional covariate space often required to satisfy ignorability such identification may not be trivial. Existing methods used to address this problem often require reliance on parametric assumptions and most, if not all, ignore the information embedded in the response variable. We distinguish between the concepts of "common support" and common causal support." We propose a new approach for identifying common causal support that addresses some of the shortcomings of existing methods. We motivate and illustrate the approach using data from the National Longitudinal Survey of Youth to estimate the effect of breastfeeding at least nine months on reading and math achievement scores at age five or six. We also evaluate the comparative performance of this method in hypothetical examples and simulations where the true treatment effect is known.

연구 동기 및 목표

• 고차원 공변량 공간에서 인과 효과를 추정할 때 공통 인과 지원이 부족한 단위를 식별하는 데 도전하는 데 목적을 두며.
• 치료 배정 모델에만 의존하는 것이 아니라, BART의 사후 분포를 통해 결과 정보를 활용하여 기각 결정을 이끌어내는 방법을 개발하는 데 목적을 두며.
• 과잉 오버랩이 없는 단위를 제거한 후 추론 샘플을 정의하는 데 더 안정적이고 경험적으로 타당한 접근을 제공하는 데 목적을 두며.
• BART 기반 기각 규칙이 표준 성향 스코어 기반 방법과 비교하여 단위 유지 및 추정 정확도 측면에서 어떻게 성능을 발휘하는지 비교하는 데 목적을 두며.
• 모유 수유 기간과 어린이의 인지 결과에 관한 실제 데이터를 사용하여 실용적 차이점을 부각시키며 방법을 설명하는 데 목적을 두며.

제안 방법

• 사실적 및 반사적 결과의 개별 단위 사후 분포를 생성하기 위해 잠재 결과를 모델링하기 위해 베이지안 덧셈 회귀 트리(BART)를 사용한다.
• 반사적 결과 추정치의 정밀도(사후 표준편차)를 관측 결과의 정밀도와 비교하여 공통 인과 지원이 없는 단위를 식별한다.
• 반사적 결과의 사후 불확실성이 관측 결과의 평균 불확실성보다 1 표준편차 이상 높을 경우, 해당 단위를 기각 대상으로 표시하는 규칙을 적용한다.
• 기각된 단위의 특성을 분석하고 기각 결정을 이끌어내는 공변량 패턴을 이해하기 위해 회귀 트리를 활용한다.
• 시뮬레이션과 실제 데이터에서 BART 기반 기각 규칙을 표준 성향 스코어 기반 방법(예: 칼리퍼 매칭, 성향 스코어 5분위수를 통한 공통 지원)과 비교한다.
• BART의 사후 분포를 효과 추정 외에도 개별 단위의 추론 신뢰성 평가를 위한 진단 도구로 활용한다.

실험 결과

연구 질문

• RQ1 치료 배정의 파라미터 모델에 의존하지 않고 고차원 공변량 공간에서 공통 인과 지원이 없는 단위를 신뢰성 있게 식별하는 방법은 무엇인가?
• RQ2 결과 정보를 공통 지원 평가에 통합할 경우 인과 추론의 타당성과 안정성은 어느 정도 향상되는가?
• RQ3 BART 기반 기각 규칙은 표준 성향 스코어 기반 방법과 비교하여 단위 유지 및 추정 정확도 측면에서 어떻게 성능을 발휘하는가?
• RQ4 실제 모유 수유와 어린이 인지 능력에 관한 사례에서 BART 방법과 성향 스코어 방법을 사용했을 때 추정된 치료 효과에 어떤 실질적 차이가 있는가?
• RQ5 공통 지원이 부족하여 기각된 단위의 특성을 어떻게 의미적으로 프로파일링할 수 있는가?

주요 결과

• 실제 데이터 사례에서 BART 기반 기각 규칙은 모든 단위를 유지한 반면, 성향 스코어 방법은 저학력, 저AFQT 점수를 가진 어머니들 중 상당수를 기각했다.
• BART 방법은 공통 인과 지원이 없는 단위를 더 적게 식별하여, 기존의 성향 스코어 접근 방식보다 더 덜 보수적이며 실제 데이터 구조를 더 잘 반영함을 시사한다.
• 정확한 치료 효과가 알려진 시뮬레이션에서 BART 1 표준편차 기각 규칙은 불필요한 기각을 최소화하면서도 추정 정확도를 유지하는 데 뛰어난 성능을 보였다.
• 이 방법은 이전에 성향 스코어 모델에서 공변량으로 간주되었지만 결과 예측력이 거의 없는 일부 변수들이 있음을 드러내어 결과 기반 지원 평가의 중요성을 강조했다.
• 기각된 단위에 대한 회귀 트리 분석 결과, BART 기반 기각은 의미 있는 공변량 패턴에 의해 이끌렸지만, 성향 스코어 기반 기각은 종종 명확한 실질적 근거 없이 이루어졌다.
• 연구 결과, 성향 스코어에만 의존할 경우 추정치가 불안정하고 결과가 일관되지 않았으며, 특히 매칭 기반 분석에서 두드러졌다. 반면 BART 기반 추론은 더 일관되고 실질적으로 타당한 효과를 도출했다.