[논문 리뷰] Estimation of Effects of Sequential Treatments by Reparameterizing Directed Acyclic Graphs

James M. Robins, Larry Wasserman|arXiv (Cornell University)|2013. 02. 06.

Advanced Causal Inference Techniques참고 문헌 10인용 수 60

한 줄 요약

이 논문은 시간에 따라 변화하는 혼란 요인을 동반한 종단적 연구에서 동적 치료 효과를 일관되게 추정할 수 있도록, 표준 조건부 확률 매개변수화 대신 구조적 중첩 모델을 사용하여 방향성 비순환 그래프(DAGs)를 재매개변수화하는 방법을 제안한다. 반사적 결과를 직접 모델링함으로써 치료 후 변수에 조건을 부여하는 데서 발생하는 편향을 피함으로써, 순차적 치료 효과의 추정을 향상시킨다.

ABSTRACT

The standard way to parameterize the distributions represented by a directed acyclic graph is to insert a parametric family for the conditional distribution of each random variable given its parents. We show that when one's goal is to test for or estimate an effect of a sequentially applied treatment, this natural parameterization has serious deficiencies. By reparameterizing the graph using structural nested models, these deficiencies can be avoided.

연구 동기 및 목표

• 순차적으로 적용되는 치료 효과를 추정할 때 표준 DAG 매개변수화의 한계를 해결하기 위해.
• 동적 치료 효과를 추정할 때 전통적인 조건부 확률 매개변수화가 어떻게 편향을 유도할 수 있는지 규명하기 위해.
• 순차적 치료 설정에서 인과 효과를 더 잘 포착할 수 있도록 구조적 중첩 모델을 사용한 재매개변수화 전략을 개발하기 위해.
• 이전 치료에 의해 영향을 받는 혼란 요인이 존재하더라도 치료 효과의 일관된 추정을 가능하게 하기 위해.

제안 방법

• 표준 조건부 확률 매개변수화를 대체로 반사적 결과를 직접 모델링하는 구조적 중첩 모델로 전환한다.
• 잠재 결과 프레임워크를 사용하여 순차적 치료 제도에서의 인과 효과를 정의한다.
• 각 단계에서의 치료 효과를 이전 치료 및 혼란 요인 역사를 함수로 모델링한다.
• 다른 치료 순서 하에서 평균 반응에 대한 구조적 가정을 도입하여 인과 효과를 규명한다.
• 관측된 데이터로부터 구조적 중첩 모델의 매개변수를 추정하기 위해 g-추정 기법을 적용한다.
• 치료 경로를 왜곡시키는 치료 후 혼란 요인에 조건을 부여하지 않음으로써 인과 효과의 규명을 보장한다.

실험 결과

연구 질문

• RQ1 표준 DAG 매개변수화가 순차적으로 적용되는 치료 효과를 추정할 때 어떤 방식으로 실패하는가?
• RQ2 시간에 따라 변화하는 혼란 요인이 존재하는 상황에서 어떤 대체 매개변수화 전략이 동적 치료 효과의 일관된 추정을 가능하게 하는가?
• RQ3 종단적 설정에서 조건부 확률 모델 대비 구조적 중첩 모델이 인과 효과 추정에 있어 개선을 이끌 수 있는가?
• RQ4 치료 후 혼란 요인에 의한 편향을 피하기 위해 반사적 분포를 어떻게 모델링할 수 있는가?
• RQ5 제안된 재매개변수화 하에서 순차적 치료 효과의 규명을 보장하는 조건은 무엇인가?

주요 결과

• 조건부 분포를 통한 표준 DAG 매개변수화는 혼란 요인이 이전 치료에 의해 영향을 받을 경우 순차적 치료 효과의 추정에 편향을 유도한다.
• 구조적 중첩 모델을 사용한 재매개변수화로 치료 후 변수에 조건을 부여하는 것을 피함으로써 편향의 핵심 원인을 제거한다.
• 이 방법은 시간에 따라 변화하는 혼란 요인이 존재하는 상황에서도 동적 치료 효과의 일관된 추정이 가능하게 한다.
• 다른 치료 순서 하에서 평균 반응에 대한 구조적 가정을 통해 인과 효과의 규명이 이루어진다.
• 이 접근법은 복잡한 치료 역사를 가진 종단적 연구에서 g-추정에 대한 공식적 프레임워크를 제공한다.
• 이 방법은 잠재 결과 이론에 기반하여 있으며, 인과 추론에서 치료 후 혼란 요인 문제에 대한 해결책을 제공한다.