[논문 리뷰] Clarifying causal mediation analysis for the applied researcher: Effect identification via three assumptions and five potential outcomes

Trang Quynh Nguyen, Ian Schmid외 2명|arXiv (Cornell University)|2020. 11. 18.

Advanced Causal Inference Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 다섯 가지의 서로 다른 잠재 결과 유형과 그에 관련된 인과적 효과를 추정하기 위해 필요한 가정을 체계적으로 규명함으로써 인과적 중재 분석을 명확히 한다. 연구는 일반적으로 사용되는 효과 정의 중 많은 것이 이전에 생각했던 것보다 더 약한 가정만으로도 추정 가능하다는 점을 보여주며, 연구자들이 목표로 하는 추정량에 따라 적절한 가정을 선택할 수 있도록 명확하고 체계적인 프레임워크를 제공한다.

ABSTRACT

Causal mediation analysis is complicated with multiple effect definitions that require different sets of assumptions for identification. This paper provides a systematic explanation of such assumptions. We define five potential outcome types whose means are involved in various effect definitions. We tackle their mean/distribution's identification, starting with the one that requires the weakest assumptions and gradually building up to the one that requires the strongest assumptions. This presentation shows clearly why an assumption is required for one estimand and not another, and provides a succinct table from which an applied researcher could pick out the assumptions required for identifying the causal effects they target. Using a running example, the paper illustrates the assembling and consideration of identifying assumptions for a range of causal contrasts. For several that are commonly encountered in the literature, this exercise clarifies that identification requires weaker assumptions than those often stated in the literature. This attention to the details also draws attention to the differences in the positivity assumption for different estimands, with practical implications. Clarity on the identifying assumptions of these various estimands will help researchers conduct appropriate mediation analyses and interpret the results with appropriate caution given the plausibility of the assumptions.

연구 동기 및 목표

• 다양한 효과 정의와 일관되지 않은 가정으로 인해 발생하는 인과적 중재 분석의 혼란을 해결하기 위해.
• 중재 모델에서 다양한 인과적 효과를 추정하기 위해 필요한 가장 약한 가정 집합을 규명하기 위해.
• 다양한 추정량 간의 긍정성 가정의 역할을 명확히 하여 실용적 함의를 부각하기 위해.
• 응용 연구자들이 자신의 특정 인과적 추정량에 맞는 가정을 선택할 수 있도록 의사결정 도구를 제공하기 위해.
• 문헌에서 흔히 오해되는 점을 바로잡기 위해, 일부 효과 정의가 이전에 믿어온 것보다 더 약한 가정만으로도 식별 가능하다는 점을 보여주기 위해.

제안 방법

• 다양한 인과적 효과 정의의 핵심이 되는 다섯 가지의 서로 다른 잠재 결과 유형의 정의.
• 각 잠재 결과 유형의 평균을 추정하기 위해 필요한 가정을 가장 약한 것부터 가장 강한 것으로 체계적으로 규명하기.
• 다양한 인과적 대비를 위해 가정이 어떻게 조합되고 평가되는지 보여주기 위해 실용적 예시를 사용하기.
• 각 추정량에 필요한 가정을 요약한 간결한 표를 제시하여 응용 연구자들이 신속하게 참조할 수 있도록 하기.
• 다양한 추정량 간의 긍정성 가정을 분석하여 실용적 실행 가능성과 해석의 차이를 부각하기.
• 일부 일반적으로 사용되는 효과 정의가 기존에 생각한 것보다 더 약한 가정만으로도 식별 가능하다는 점을 입증하기.

실험 결과

연구 질문

• RQ1 중재 분석에서 다양한 인과적 효과를 추정하기 위해 필요한 최소한의 식별 가정은 무엇인가?
• RQ2 다양한 잠재 결과 평균을 추정하기 위해 필요한 가정들은 강도와 구조에서 어떻게 비교될 수 있는가?
• RQ3 어떤 효과 정의는 다른 것들보다 더 강한 가정을 필요로 하는가? 이러한 차이의 이유는 무엇인가?
• RQ4 다양한 추정량 간의 긍정성 가정은 어떻게 달라지며, 실용적 함의는 무엇인가?
• RQ5 문헌에서 흔히 사용되는 효과 정의들은 이전에 믿어온 것보다 더 약한 가정만으로도 식별 가능할 수 있는가?

주요 결과

• 이 논문은 중재 분석에서 다수의 인과적 효과 정의가 기존 문헌에서 일반적으로 언급되는 것보다 더 약한 식별 가정만으로도 추정 가능하다는 점을 규명한다.
• 정의된 다섯 가지 잠재 결과 유형의 평균은 점차적으로 더 강한 가정을 필요로 하며, 가장 약한 가정 집합만으로도 일부 효과 정의에 충분하다.
• 긍정성 가정은 추정량 간으로 균일하지 않으며, 그 요구사항은 상당히 다를 수 있어 추정의 실용적 실행 가능성에 영향을 미친다.
• 제안된 프레임워크는 특정 추정량에 대해 어떤 가정이 필요한지, 다른 추정량에 대해서는 필요하지 않은지의 이유를 명확히 하여 모델 선택의 투명성을 높인다.
• 체계적인 접근은 응용 연구자들이 자신의 목표 추정량에 맞는 가정을 선택할 수 있도록 하여, 중재 분석의 타당성과 해석 가능성 향상에 기여한다.
• 결과는 일반적으로 효과 식별을 위해 반드시 필요한 것으로 여겨지는 가정들이 오히려 과도하게 보수적인 경향이 있음을 시사하며, 실용 연구에서 재평가가 필요함을 강조한다.