[논문 리뷰] Causal inference for multiple continuous exposures via the multivariate generalized propensity score

Justin Williams, Catherine M. Crespi|arXiv (Cornell University)|2020. 08. 31.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 관찰 데이터를 사용하여 다중 연속 노출의 결과에 대한 인과적 영향을 추정하기 위해 다변량 일반화된 적합도 스코어(mvGPS) 방법을 제안한다. 노출의 다변량 정규성을 가정함으로써 mvGPS는 균형 잡힌 가중치를 생성하여 복합 노출 효과의 선형 반응 표면을 추정함으로써 시뮬레이션과 어린이 비만 간호 개입에 대한 실제 연구에서 편향을 줄이고 공변량 균형을 향상시킨다.

ABSTRACT

The generalized propensity score (GPS) is an extension of the propensity score for use with quantitative or continuous exposures (e.g., dose of medication or years of education). Current GPS methods allow estimation of the dose-response relationship between a single continuous exposure and an outcome. However, in many real-world settings, there are multiple exposures occurring simultaneously that could be causally related to the outcome. We propose a multivariate GPS method (mvGPS) that allows estimation of a dose-response surface that relates the joint distribution of multiple continuous exposure variables to an outcome. The method involves generating weights under a multivariate normality assumption on the exposure variables. Focusing on scenarios with two exposure variables, we show via simulation that the mvGPS method can achieve balance across sets of confounders that may differ for different exposure variables and reduces bias of the treatment effect estimates under a variety of data generating scenarios. We apply the mvGPS method to an analysis of the joint effect of two types of intervention strategies to reduce childhood obesity rates.

연구 동기 및 목표

• 관찰 연구에서 다수의 연속 노출의 동시 인과 효과를 추정할 수 있는 방법의 부족을 해결하기 위해.
• 다수의 동시 연속 노출을 다룰 수 있는 일반화된 적합도 스코어(GPS)의 다변량 확장 기법을 개발하기 위해.
• 노출과의 연관성이 다를 수 있는 공변량 간의 균형을 향상시키기 위해.
• 가중치를 사용한 회귀 분석을 통해 복합 노출 효과의 선형 반응 표면을 추정하기 위해.
• 시뮬레이션과 실제 어린이 비만 간호 개입 연구에 적용하여 방법을 검증하기 위해.

제안 방법

• 다수의 연속 노출 변수의 결합 분포에 대해 다변량 정규성을 가정한다.
• 다른 노출 변수를 조건으로 하여 각 노출의 조건부 밀도를 이용해 다변량 정규분포를 통해 가중치를 유도한다.
• 다변량 일반화된 적합도 스코어(mvGPS) 기반의 역확률 가중치를 생성하여 공변량을 균형 잡는다.
• 결과 변수를 복합 노출 값의 함수로 추정하기 위해 가중치를 적용한 회귀 분석을 시행한다.
• 관측된 데이터가 지지하는 노출 조합이 포함된 영역을 정의하기 위해 볼록 Hull 기반 접근법을 사용한다.
• 공변량을 조건으로 하여 노출의 조건부 확률을 계산하기 위해 다변량 정규 밀도를 활용하여 가중치 계산을 가능하게 한다.

실험 결과

연구 질문

• RQ1 mvGPS 방법이 각 노출과의 연관성이 다를 수 있는 공변량 간에 더 우수한 균형을 달성할 수 있는가?
• RQ2 mvGPS는 단변량 GPS 또는 가중치 없음 방법에 비해 치료 효과 추정에서 편향을 얼마나 줄이는가?
• RQ3 실제 설정에서 두 개의 연속 노출 복합 효과에 대한 선형 반응 표면의 형태와 해석은 어떠한가?
• RQ4 다변량 정규성 위반 또는 고차원 노출 공간에서 mvGPS의 성능은 어떠한가?
• RQ5 mvGPS를 사용하여 결과를 최대화하거나 최소화하는 노출 수준의 최적 조합을 식별할 수 있는가?

주요 결과

• mvGPS 방법은 단변량 GPS보다 뛰어난 균형을 달성하여, 공변량과 노출 간의 최대 절대 상관계수를 0.1 이하로 낮추고 평균 절대 상관계수를 거의 0으로 줄였다.
• 시뮬레이션 결과, mvGPS는 공변량이 각 노출과 다른 방식으로 연관되어 있는 다양한 데이터 생성 시나리오에서 치료 효과 추정의 편향을 감소시켰다.
• mvGPS 가중치를 사용해 추정한 선형 반응 표면은 가중치 없이 추정한 표면과 상당히 다름을 보여, 원래 데이터에 심각한 공변량 편향이 존재함을 시사했다.
• 어린이 비만 적용 사례에서 가장 효과적인 간호 개입 조합은 미세 전략 수준을 높이고 거시 전략 수준을 낮추는 조합으로 나타났다.
• 관측된 노출 조합의 볼록 Hull 내에서 긍정성 문제에 대해 강건성을 보였지만, 고차원에서는 성능 저하 가능성이 있었다.
• 다변량 정규성 및 SUTVA 가정에도 불구하고, 이 방법은 다수의 연속 노출을 가진 비랜덤화된 연구에서 복합 인과 효과를 추정하는 실용적인 프레임워크를 제공했다.