[논문 리뷰] Congenial Causal Inference with Binary Structural Nested Mean Models

Linbo Wang, Thomas S. Richardson외 1명|arXiv (Cornell University)|2017. 09. 24.

Advanced Causal Inference Techniques참고 문헌 12인용 수 10

한 줄 요약

이 논문은 이분형 결과를 가진 구조적 중앙값 모델(SNMMs)에서 원인 매개변수와 부수적 매개변수 간의 분산 의존성 문제를 해결하기 위해, 부수적 매개변수를 원인 매개변수와 분산 독립적으로 재매개변수화함으로써, 제약이 없는 최대우도추정과 곱셈형 SNMMs에 대한 진정한 이중적으로 강건한 추정기법을 가능하게 한다. 또한 덧셈형 SNMMs가 이러한 독립성을 달성할 수 없음을 증명하여 곱셈형 모델에 집중하는 것이 타당함을 입증한다.

ABSTRACT

Structural nested mean models (SNMMs) are among the fundamental tools for inferring causal effects of time-dependent exposures from longitudinal studies. With binary outcomes, however, current methods for estimating multiplicative and additive SNMM parameters suffer from variation dependence between the causal SNMM parameters and the non-causal nuisance parameters. Estimating methods for logistic SNMMs do not suffer from this dependence. Unfortunately, in contrast with the multiplicative and additive models, unbiased estimation of the causal parameters of a logistic SNMM rely on additional modeling assumptions even when the treatment probabilities are known. These difficulties have hindered the uptake of SNMMs in epidemiological practice, where binary outcomes are common. We solve the variation dependence problem for the binary multiplicative SNMM by a reparametrization of the non-causal nuisance parameters. Our novel nuisance parameters are variation independent of the causal parameters, and hence allows the fitting of a multiplicative SNMM by unconstrained maximum likelihood. It also allows one to construct true (i.e. congenial) doubly robust estimators of the causal parameters. Along the way, we prove that an additive SNMM with binary outcomes does not admit a variation independent parametrization, thus explaining why we restrict ourselves to the multiplicative SNMM.

연구 동기 및 목표

• 이분형 결과를 가진 SNMM에서 원인 매개변수와 부수적 매개변수 간의 분산 의존성 문제를 해결함으로써, 이들이 역학 분야에서의 활용을 방해하는 주요 장벽을 제거하고자 한다.
• 곱셈형 SNMM에서 원인 매개변수와 분산 독립적인 부수적 매개변수의 재매개변수화를 개발하고자 한다.
• 이분형 결과를 가진 곱셈형 SNMM에서 제약이 없는 최대우도추정을 가능하게 하고자 한다.
• 이분형 SNMM에서 원인 매개변수에 대해 진정한 친화적인 이중적으로 강건한 추정기법을 구축하고자 한다.
• 이분형 결과를 가진 덧셈형 SNMM이 왜 분산 독립성을 달성할 수 없으며, 이를 통해 왜 곱셈형 모델에 집중하는 것이 타당한지 명확히 하고자 한다.

제안 방법

• 곱셈형 SNMM의 비원인 부수적 매개변수를 재매개변수화하여 원인 매개변수와 분산 독립적이게 한다.
• 새로운 부수적 매개변수화를 활용해 원인 매개변수의 제약이 없는 최대우도추정을 가능하게 한다.
• 분산 독립적인 매개변수화에 기반한 이중적으로 강건한 추정기법을 구축하여, 결과 회귀모형 또는 성향스코어 모형 중 하나가 올바를 경우에도 추정의 타당성을 보장한다.
• 이분형 결과를 가진 덧셈형 SNMM에서 이러한 분산 독립적인 매개변수화가 존재하지 않음을 증명한다.
• 로지스틱 SNMM가 분산 의존성을 피할 수는 있지만, 편향 없는 원인 추정을 위해 강력한 모형 가정이 필요하다는 점을 입증한다.
• 구조적 모델링 및 반사적 프레임워크를 사용하여 새로운 매개변수화 하에 원인 추정량과 그 식별성을 수학적으로 정의한다.

실험 결과

연구 질문

• RQ1 이분형 결과를 가진 곱셈형 SNMM에서 부수적 매개변수의 재매개변수화가 원인 매개변수와의 분산 의존성을 제거할 수 있는가?
• RQ2 제안된 재매개변수화가 원인 매개변수의 제약이 없는 최대우도추정을 가능하게 하는가?
• RQ3 새로운 매개변수화 하에 진정한 친화적인 이중적으로 강건한 추정기법을 구축할 수 있는가?
• RQ4 이분형 결과를 가진 덧셈형 SNMM에서 분산 독립성이 달성 가능한가?
• RQ5 이전의 이분형 SNMM 방법들이 왜 분산 독립성을 달성하지 못했으며, 그 배경에 있는 구조적 장벽은 무엇인가?

주요 결과

• 제안된 재매개변수화는 곱셈형 SNMM에서 부수적 매개변수와 원인 매개변수 간의 분리(분산 의존성 제거)를 성공적으로 달성한다.
• 새로운 매개변수화 하에 이분형 결과를 가진 곱셈형 SNMM에서 제약이 없는 최대우도추정이 가능해진다.
• 이제 원인 매개변수에 대해 진정한 친화적인 이중적으로 강건한 추정기법을 구축할 수 있어, 추정의 강건성과 타당성이 향상된다.
• 이분형 결과를 가진 덧셈형 SNMM는 어떠한 분산 독립적인 매개변수화도 허용하지 않으며, 이는 기존 방법의 한계를 설명한다.
• 결과적으로 로지스틱 SNMM가 분산 의존성을 피할 수는 있지만, 편향 없는 원인 추정을 위해 여전히 강력한 모형 가정이 필요하다는 점이 명확해진다.
• 이 연구는 종단적 역학 연구에서 이분형 결과를 가진 곱셈형 SNMM를 적용하기 위한 기초적인 해결책을 제공한다.