[논문 리뷰] Estimation of Causal Effects of Multiple Treatments in Observational Studies with a Binary Outcome

Liangyuan Hu, Chenyang Gu외 3명|arXiv (Cornell University)|2020. 01. 17.

Advanced Causal Inference Techniques참고 문헌 52인용 수 4

한 줄 요약

이 논문은 이元 결과가 있는 다중 치료의 인과적 효과를 추정하기 위해 베이지안 덧셈 회귀 트리(BART)를 제안하며, 비편향성 감소, 평균 제곱 오차, 신뢰구간 커버리지 측면에서 IPTW, TMLE 및 회귀 조정보다 뛰어난 성능을 보여준다. BART의 새로운 공통 지원 규칙은 일반화된 투여 확률 방법에 비해 더 많은 단위를 유지하고 편향을 감소시키며, 특히 공변수 겹침이 낮을 경우에 유리하다.

ABSTRACT

There is a dearth of robust methods to estimate the causal effects of multiple treatments when the outcome is binary. This paper uses two unique sets of simulations to propose and evaluate the use of Bayesian Additive Regression Trees (BART) in such settings. First, we compare BART to several approaches that have been proposed for continuous outcomes, including inverse probability of treatment weighting (IPTW), targeted maximum likelihood estimator (TMLE), vector matching and regression adjustment. Results suggest that under conditions of non-linearity and non-additivity of both the treatment assignment and outcome generating mechanisms, BART, TMLE and IPTW using generalized boosted models (GBM) provide better bias reduction and smaller root mean squared error. BART and TMLE provide more consistent 95 per cent CI coverage and better large-sample convergence property. Second, we supply BART with a strategy to identify a common support region for retaining inferential units and for avoiding extrapolating over areas of the covariate space where common support does not exist. BART retains more inferential units than the generalized propensity score based strategy, and shows lower bias, compared to TMLE or GBM, in a variety of scenarios differing by the degree of covariate overlap. A case study examining the effects of three surgical approaches for non-small cell lung cancer demonstrates the methods.

연구 동기 및 목표

• 이원 결과일 때 다중 치료의 인과적 효과를 추정하기 위한 강력한 방법의 부족을 해결하기 위해.
• 비선형 및 비가산적 치료 및 결과 메커니즘을 가진 설정에서 BART의 성능을 평가하기 위해.
• 추론을 위해 외삽을 피하기 위해 공변수 영역에서 겹침이 낮은 지역에서의 추론 향상을 위해 BART에 대한 공통 지원 전략을 개발하고 검증하기 위해.
• 다양한 수준의 공변수 겹침에서 기존 방법—IPTW, TMLE, 벡터 매칭, 회귀 조정—과 BART를 비교하기 위해.
• SEER-Medicare 데이터를 사용한 비소세포 폐암 수술 접근법에 대한 실제 사례 연구를 통해 방법의 실용성을 입증하기 위해.

제안 방법

• BART는 다중 치료 및 이원 결과 설정으로 확장되어 잠재 결과를 베이지안 비모수적 회귀 트리로 모델링한다.
• 후행 예측 분포를 기반으로 한 새로운 공통 지원 규칙을 제안하여, 반대 효과 예측이 신뢰할 수 있는 단위를 식별하고 유지한다.
• 관측된 공변수 값이 반대 효과 치료군의 지원 범위 내에 있는지 평가하기 위해 후행 예측 분포를 사용하며, 불확실성이 높을 경우에만 단위를 기각한다.
• 최적의 사전 하이퍼파rameter $k$를 선택하기 위해 5개의 교차검증을 사용하며, $k=2$가 오분류 오차를 최소화하는 것으로 나타났다.
• 다양한 수준의 공변수 겹침 하에서 시뮬레이션된 데이터를 사용하여 IPTW(일반화된 부스팅 모델(GBM) 사용), TMLE, 벡터 매칭, 회귀 조정과의 비교를 수행한다.
• 단일 치료 설정에서 유도된 1표준편차 기반의 기각 규칙을 다중 치료 맥락으로 확장하였다.

실험 결과

연구 질문

• RQ1 비선형 및 비가산적 치료 및 결과 메커니즘 하에서, BART는 다중 치료의 인과적 효과를 추정할 때 IPTW, TMLE 및 회귀 조정보다 어떻게 성능을 발휘하는가?
• RQ2 후행 예측 불확실성 기반의 공통 지원 규칙은 다중 치료에 대한 BART의 추론 품질과 단위 유지에 어떻게 기여하는가?
• RQ3 치료군 간 공변수 겹침이 낮거나 중간일 경우, BART는 다른 방법에 비해 어떻게 성능을 발휘하는가?
• RQ4 특히 쌍별 대비 다중 치료 접근 방식의 선택이, 치료군 크기가 불균형한 관찰 연구에서 치료 효과 추정에 어떤 영향을 미치는가?
• RQ5 BART는 이원 결과 설정에서 GBM 및 매칭 기반 방법과 비교해 병렬 처리 효율성과 신뢰구간 추정 성능에서 어떻게 성능을 발휘하는가?

주요 결과

• 비선형 및 비가산적 치료 및 결과 메커니즘 하에서, BART, TMLE 및 GBM를 사용한 IPTW가 가장 낮은 편향과 평균 제곱 오차를 보였다.
• BART와 TMLE는 다른 방법들보다 더 일관된 95% 신뢰구간 커버리지와 더 나은 대표 표본 수렴 성질을 보였다.
• 제안된 BART 공통 지원 규칙은 일반화된 투여 확률 기반 전략보다 더 많은 추론 단위를 유지했으며, 특히 겹침이 낮은 상황에서 유리했다.
• BART는 모든 시나리오에서 TMLE 및 GBM보다 낮은 편향을 보였으며, 공변수 겹침이 낮을 경우에서 가장 뚜렷한 향상이 관찰되었다.
• BART는 계산적으로 효율적이었으며, 11,600개의 단위를 포함한 데이터셋을 150초 이내에 분석을 완료했고, IPTW-GBM는 약 10분이 소요되었다.
• 비소세포 폐암 사례 연구에서, BART는 수술 방법에 따라 로봇 보조 수술이 개방흉부수술 또는 VATS에 비해 장기 입원 및 중환자실 체류 기간이 짧을 수 있음을 시사했다.