[논문 리뷰] Estimating Mediation Effects under Correlated Errors with an Application to fMRI

Yi Zhao, Xi Luo|arXiv (Cornell University)|2014. 10. 27.

Functional Brain Connectivity Studies참고 문헌 23인용 수 4

한 줄 요약

이 논문은 fMRI 연구에서의 중재 분석을 위한 이중층 구조적 방정식 모델(SEM)을 제안하며, 중재자 및 결과 변수의 상관된 덧셈 오차를 고려한다. 제약 최적화와 선형 혼합 효과 모델을 사용하여 식별성과 타당한 추론을 보장한다. 제안된 방법은 시뮬레이션 및 실제 fMRI 데이터에서 기존 방법보다 추정 정확도가 향상된다.

ABSTRACT

Abstract. Mediation analysis assesses the effect passing through a intermediate vari-able (mediator) in a causal pathway from the treatment variable to the outcome variable. Structure equation model (SEM) is a popular approach to estimate the mediation effect. However, causal interpretation usually requires strong assumptions, such as ignorability of the mediator, which may not hold in many social and scientific studies. In this paper, we use mediation analysis in an fMRI experiment to assess the effect of randomized binary stimuli passing through a brain pathway of two brain regions. We propose a two-layer SEM framework for mediation analysis that provides valid inference even if correlated ad-ditive errors are present. In the first layer, we use a linear SEM to model the subject level fMRI data, where the continuous mediator and outcome variables may contain correlated additive errors. We propose a constrained optimization approach to estimate the model coefficients, analyze its asymptotic properties, and characterize the nonidentifiability issue due to the correlation parameter. To address the identifiability issue, we introduce a linear mixed effects SEM with an innovation to estimate the unknown correlation parameter in the first layer, instead of sensitivity analysis. Using extensive simulated data and a real fMRI dataset, we demonstrate the improvement of our approach over existing methods.

연구 동기 및 목표

• fMRI 데이터의 중재 분석에서 상관된 덧셈 오차 문제를 다루며, 이는 표준 SEM의 가정을 위협한다.
• 중재자 및 결과 변수의 상관된 오차가 존재하더라도 모델의 식별성을 보장하는 방법을 개발한다.
• 기존 SEM의 가정(예: 중재자의 무시 가능성)이 성립하지 않는 fMRI 연구에서 타당한 인과적 추론을 제공한다.
• 기존 민감도 분석 기반 방법과 비교해 추정 정확도와 강건성을 향상시킨다.
• 실제 fMRI 데이터에 적용하여 광범위한 시뮬레이션을 통해 성능을 검증한다.

제안 방법

• 이중층 SEM 프레임워크를 제안한다: 첫 번째 계층은 연속적인 중재자 및 결과 변수를 갖는 피험자 수준의 fMRI 데이터를 모델링하며, 이들 변수는 상관된 덧셈 오차를 갖는다.
• 오차 항 간의 상관관계를 명시적으로 고려하기 위해 제약 최적화 방법을 사용하여 모델 계수를 추정한다.
• 제안된 모델 하에서 통계적 추론을 뒷받침하기 위해 추정기의 점근적 성질을 도출한다.
• 알 수 없는 상관관계 매개변수로 인해 발생하는 비식별성 문제를 공식적으로 특성화한다.
• 민감도 분 析에 의존하는 것 대신, 알 수 없는 상관관계 매개변수를 추정하기 위해 선형 혼합 효과 SEM을 도입하여 혁신을 이룬다.
• 시뮬레이션 연구를 통해 방법을 검증하고, 실제 fMRI 데이터셋에 적용하여 성능 향상을 입증한다.

실험 결과

연구 질문

• RQ1 중재자 및 결과 변수가 상관된 덧셈 오차를 갖는 fMRI 연구에서 중재 효과를 신뢰성 있게 추정하는 방법은 무엇인가?
• RQ2 상관된 오차는 SEM 프레임워크에서 중재 효과의 식별성과 추정 정확도에 어떤 영향을 미치는가?
• RQ3 제약 최적화 방법과 선형 혼합 효과 모델을 조합하면 상관된 오차가 존재하는 상황에서 식별성과 추론을 어떻게 향상시킬 수 있는가?
• RQ4 기존 민감도 분석 기반 방법과 비교해 제안된 방법의 추정 정확도와 강건성은 어떻게 다른가?
• RQ5 실제 fMRI 데이터와 시뮬레이션 데이터셋에서 이 방법의 실증적 성능는 어떠한가?

주요 결과

• 제안된 방법은 중재자 및 결과 변수의 덧셈 오차 간 상관관계가 알려지지 않은 경우 발생하는 비식별성 문제를 성공적으로 해결한다.
• 제약 최적화 방법은 제안된 모델 하에서 일致한 추정기를 제공하며, 타당한 점근적 성질을 갖는다.
• 선형 혼합 효과 SEM 구성요소는 상관관계 매개변수를 직접 추정함으로써 민감도 분 析에 의존하는 것보다 모델의 식별성을 향상시킨다.
• 시뮬레이션 결과는 제안된 방법이 기존 방법보다 추정 정확도와 신뢰구간 커버리지 확률 측면에서 뛰어나다는 것을 보여준다.
• 실제 fMRI 데이터에 대한 실증 분석은 이 방법의 실용적 유용성과 진짜 중재 효과를 탐지하는 데서 향상된 성능을 확인한다.
• 표준 중재자의 무시 가능성 가정이 위반되는 경우에도 이 방법은 타당한 인과적 추론을 제공한다.