[논문 리뷰] Causal Inference for a Single Group of Causally-Connected Units Under Stratified Interference

Caleb H. Miles, Maya L. Petersen외 1명|arXiv (Cornell University)|2017. 10. 26.

Advanced Causal Inference Techniques참고 문헌 20인용 수 3

한 줄 요약

이 논문은 단일 그룹 내 인과적으로 연결된 단위들 사이에서 계층적 간섭이 발생하는 상황에서 인과적 추론을 위한 이重성 있는 추정기( doubly-robust estimator)를 제안한다. 여기서 각 단위의 결과는 유일하게 노출된 단위의 총 수에 의존한다. 이 방법은 기계학습을 활용하여 직접 효과와 총합 효과에 대한 타당한 추론을 가능하게 하며, 시뮬레이션과 케냐의 에이즈 클리닉에서 간호사 주도의 선별 프로그램에 대한 적용을 통해 검증된다.

ABSTRACT

The assumption that no subject's exposure affects another subject's outcome, known as the assumption of no interference, has long held a foundational position in the study of causal inference. However, this assumption may be violated in many settings, and in recent years has been relaxed considerably. Often this has been achieved with either the aid of knowledge of an underlying network, or the assumption that the population can be partitioned into separate groups, between which there is no interference, and within which each subject's outcome may be affected by all the other subjects in the group, but only as a function of the total number of subjects exposed (the stratified interference assumption). In this paper, we consider a setting in which we can rely on neither of these aids, as each subject affects every other subject's outcome. In particular, we consider settings in which the stratified interference assumption is reasonable for a single group consisting of the entire sample, i.e., a subject's outcome is affected by all other subjects' exposures, but only via the total number of subjects exposed. This can occur when the exposure is a shared resource whose efficacy is modified by the number of subjects among whom it is shared. We present a doubly-robust estimator that allows for incorporation of machine learning, and tools for inference for a class of causal parameters that includes direct effects and overall effects under certain interventions. We conduct a simulation study, and present results from a data application where we study the effect of a nurse-based triage system on the outcomes of patients receiving HIV care in Kenyan health clinics.

연구 동기 및 목표

• 모든 단위가 한 그룹 내에서 상호 간섭을 일으키는 상황에서 인과적 추론 문제를 다루기 위해, 특히 간섭이 없는 가정을 위반하는 경우를 대비한다.
• 간섭을 모델링함에 있어 각 단위의 결과가 개별 노출 패턴이 아닌 유일하게 노출된 단위의 총 수에 의존하도록 설정한다.
• 기계학습을 활용하여 효율성과 강건성을 향상시킨 이중-robust 추정기를 개발한다.
• 이러한 간섭 구조 하에서 간섭에 대한 개입에 대해 직접 효과 및 총합 효과에 대한 타당한 통계적 추론을 가능하게 한다.
• 실제 데이터에 이 방법을 적용하여 케냐의 에이즈 클리닉에서 간호사 주도의 선별 프로그램이 환자 결과에 미치는 영향을 평가한다.

제안 방법

• 논문은 단일 그룹 내에서 간섭이 노출된 단위의 총 수에 따라 계층화되는 인과 모델을 도입하며, 개별 노출 패턴이 아닌 총 수에 의존한다.
• 결과 모델과 성향 스코어 모델을 모두 조합하는 이중-robust 추정기를 제안하며, 이들 모두에 기계학습을 적용할 수 있다.
• 결과 모델 또는 성향 스코어 모델 중 하나만 정확하게 지정되어 있더라도 추정이 일관되게 유지된다.
• 간섭에 의해 유도되는 종속성 구조를 고려한 강력한 분산 추정기를 사용하여 추론을 수행한다.
• 이 방법은 직접 효과(예: 선별이 개인 환자에 미치는 영향)와 총합 효과(예: 전체 시스템 수준의 영향)의 추정을 지원한다.
• 시뮬레이션 연구를 통해 검증하고, 케냐의 에이즈 클리닉에서 간호사 주도의 선별 프로그램에 대한 실질적 데이터셋에 적용한다.

실험 결과

연구 질문

• RQ1 모든 단위가 상호 간섭을 일으키지만 결과가 노출된 단위의 총 수에만 의존하는 상황에서 인과 효과는 어떻게 추정할 수 있는가?
• RQ2 기계학습이 활용되는 경우, 이러한 간섭 구조 하에서 이중-robust 추정기의 성능은 어떠한가?
• RQ3 이러한 설정에서 간섭에 대한 개입에 대해 직접 효과 및 총합 효과에 대해 타당한 추론을 달성할 수 있는가?
• RQ4 유한 표본에서 이 방법은 간섭이 있는 상황에서 기존 추정기와 비교해 어떻게 성능을 보이는가?
• RQ5 이 방법은 간호사 주도의 선별과 같은 실제 공중보건 개입에 있어 실용적 의미는 무엇인가?

주요 결과

• 제안된 이중-robust 추정기는 계층적 간섭 가정 하에서 조건이 충족될 경우, 결과 모델 또는 성향 스코어 모델 중 하나가 잘못 지정되어도 인과 효과의 일관된 추정을 제공한다.
• 이 방법은 직접 효과 및 총합 효과에 대해 모두 타당한 추론을 유지하며, 유한 표본에서 강건성을 입증한다.
• 시뮬레이션 결과에 따르면, 추정기는 특히 복잡한 관계를 모델링하기 위해 기계학습을 사용할 경우 높은 커버리지와 낮은 편향을 달성한다.
• 케냐의 에이즈 클리닉에 대한 적용에서는 간호사 주도의 선별이 환자 결과에 유의미한 긍정적 영향을 미친다는 것이 나타났지만, 정확한 크기는 자료에서 정량화되지 않았다.
• 기존 방법이 비정형 간섭으로 인해 실패하는 상황에서도 이 방법은 신뢰할 수 있는 인과적 추론을 가능하게 한다.
• 본 연구는 이 방법이 복잡한 간섭 패턴을 가진 실제 보건 개입에 적용 가능한 가능성을 입증한다.