[논문 리뷰] Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding

Jiajing Zheng, Alexander D’Amour외 1명|arXiv (Cornell University)|2021. 02. 18.

Advanced Causal Inference Techniques참고 문헌 50인용 수 4

한 줄 요약

이 논문은 관측되지 않은 교란요인 존재 하에서 다중 치료 원인 인과 추론을 위한 코풀라 기반 민감도 분석 프레임워크를 제안한다. 가우시안 코풀라를 사용하여 교란요인-결과 변수 간의 관계를 모델링하고, 점 추정이 불가능한 경우에도 인과 효과의 범위를 제한한다. 이 방법은 잠재 변수 모델이 타당할 때조차도 강건하고 校정 가능한 범위를 제공하며, 유의미한 인과적 결론을 도출할 수 있다.

ABSTRACT

Recent work has focused on the potential and pitfalls of causal identification in observational studies with multiple simultaneous treatments. Building on previous work, we show that even if the conditional distribution of unmeasured confounders given treatments were known exactly, the causal effects would not in general be identifiable, although they may be partially identified. Given these results, we propose a sensitivity analysis method for characterizing the effects of potential unmeasured confounding, tailored to the multiple treatment setting, that can be used to characterize a range of causal effects that are compatible with the observed data. Our method is based on a copula factorization of the joint distribution of outcomes, treatments, and confounders, and can be layered on top of arbitrary observed data models. We propose a practical implementation of this approach making use of the Gaussian copula, and establish conditions under which causal effects can be bounded. We also describe approaches for reasoning about effects, including calibrating sensitivity parameters, quantifying robustness of effect estimates, and selecting models that are most consistent with prior hypotheses.

연구 동기 및 목표

• 관측되지 않은 교란요인이 존재하여 점 추정이 불가능한 다중 치료 설정에서 인과 추론의 과제를 해결하기 위해.
• 관측된 데이터와 잠재 교란요인에 대한 타당한 가정 하에 호환 가능한 인과 효과의 범위를 정량화하는 민감도 분석 프레임워크를 개발하기 위해.
• 민감도 매개변수를 校정하고, 결과의 강건성을 평가하며, 사전 가설과 일치하는 모델을 선택할 수 있는 실용적 도구를 제공하기 위해.
• 완전한 식별이 불가능하더라도 잠재 변수 모델을 통해 인과적 결론을 둥글게 만들 수 있음을 보여주기 위해.

제안 방법

• 교란요인-결과 변수 간의 종속성을 치료 모델에서 분리하기 위해 결과 변수, 치료 변수, 관측되지 않은 교란요인의 연합분포를 코풀라 인수분해로 모델링한다.
• 가우시안 코풀라를 적용하여 교란요인-결과 관계를 특성화함으로써, 모델 적합도를 변경하지 않으면서도 민감도 분석을 매우 탄력적이고 해석 가능한 방식으로 수행할 수 있다.
• 공통된 관측되지 않은 교란요인을 표현하기 위해 치료 변수에 잠재 요인 모델을 도입하며, 요인 수는 데이터 기반 기준에 의해 결정된다.
• 치료 변수에 대한 잠재 변수 모델이 식별 가능하다는 가정 하에 인과 효과의 범위를 유도함으로써, 기존에 무한대가 되는 경우에도 유한한 범위를 확보한다.
• 사전 지식이나 음성 대조 노출을 활용하여 민감도 매개변수를 校정함으로써 효과 추정의 강건성을 평가한다.
• 결과 변수 모델링과 후행 추론을 위해 베이지안 덴드럼 회귀 트리(BART)를 활용하여 교란요인이 존재하는 상황에서도 불확실성의 양을 정량화할 수 있다.

실험 결과

연구 질문

• RQ1 관측되지 않은 교란요인이 존재하여 점 추정이 불가능한 다중 치료 설정에서 인과 효과를 의미 있게 제한할 수 있는가?
• RQ2 다중 치료 원인 인과 추론에서 잠재 변수 구조를 활용해 민감도 분석을 어떻게 적응시킬 수 있는가?
• RQ3 코풀라는 결과 모델의 제약 없이 교란요인-결과 종속성을 모델링하는 데 어떤 역할을 하는가?
• RQ4 공동된 관측되지 않은 교란요인이 존재하는 맥락에서 민감도 매개변수는 어떻게 의미 있게 校정하고 해석할 수 있는가?
• RQ5 완전한 식별이 없는 상황에서 잠재 변수 모델은 인과 효과 추정의 정밀도와 강건성에 어느 정도 기여하는가?

주요 결과

• 제약이 없는 민감도 모델에서는 인과 효과가 무한대가 되지만, 치료 변수에 대한 잠재 변수 모델이 식별 가능할 경우 효과의 범위는 유한해진다.
• 가우시안 코풀라 사양은 완전한 식별이 불가능한 상황에서도 인과 효과의 범위가 유한하고 해석 가능하다는 점을 보장한다.
• 유전자 발현 분석에서 Igfbp2는 발현 수준이 75번째 분위수를 초과할 경우에만 쥐의 체중에 유의미한 음성 인과 효과를 보였으며, 잔여 결과 변수 분산의 최대 100%를 교란요인이 설명하더라도 이 효과는 강건하게 유지되었다.
• 75번째 분위수 이하의 발현 수준에서는 교란요인이 없을 경우조차도 유의미한 인과 효과가 관측되지 않아, 낮은 발현 수준에서는 강건한 효과가 없음을 시사한다.
• 이 방법은 다수의 치료에 걸쳐 인과 효과를 효과적으로 제한하고 강건성을 정량화하며, 높은 Igfbp2 발현 수준에서 쥐의 체중 감소 효과는 교란요인 강도에 관계없이 일관되게 관찰되었다.
• 이 프레임워크는 통계적으로 엄밀하고 해석 가능한 실용적 민감도 분석을 가능하게 하며, 코드와 R 패키지가 공개되어 재현 및 적용이 가능하다.