[논문 리뷰] Generalizing causal inferences from randomized trials: counterfactual and graphical identification

Issa J Dahabreh, James M. Robins외 2명|arXiv (Cornell University)|2019. 06. 26.

Advanced Causal Inference Techniques참고 문헌 45인용 수 22

한 줄 요약

이 논문은 랜덤화된 시험에서 유도된 인과적 효과가 시험 참가 자격이 있는 대상 인구로 일반화될 수 있는 조건을 규명하기 위해 반사적이고 그림 기반의 프레임워크를 개발한다. 시험 참가 유도(초대 및 참여)와 치료 할당을 확대하는 가상의 간섭을 도입하여, 일반화 가능성은 참가 유도가 결과에 직접적인 영향을 미칠 경우 이러한 영향을 모델링하고, g-공식 또는 역확률가중법을 사용하여 특정 조건에서 식별 가능하다는 것을 보여준다.

ABSTRACT

When engagement with a randomized trial is driven by factors that affect the outcome or when trial engagement directly affects the outcome independent of treatment, the average treatment effect among trial participants is unlikely to generalize to a target population. In this paper, we use counterfactual and graphical causal models to examine under what conditions we can generalize causal inferences from a randomized trial to the target population of trial-eligible individuals. We offer an interpretation of generalizability analyses using the notion of a hypothetical intervention to "scale-up" trial engagement to the target population. We consider the interpretation of generalizability analyses when trial engagement does or does not directly affect the outcome, highlight connections with censoring in longitudinal studies, and discuss identification of the distribution of counterfactual outcomes via g-formula computation and inverse probability weighting. Last, we show how the methods can be extended to address time-varying treatments, non-adherence, and censoring.

연구 동기 및 목표

• 시험 참가자가 모든 자격이 있는 개인을 대표하지 못할 경우, 랜덤화 시험에서 유도된 인과적 효과를 대상 인구로 일반화하는 데 도전하는 문제를 다루기.
• 참가 초대와 실제 참여 사이의 차이를 공식적으로 모델링하여, 이들이 결과에 직접적인 영향을 미칠 수 있음을 인식하기.
• 구조적 인과 모델과 do-계산법을 사용하여 대상 인구에서 반사적 결과의 분포를 식별하기 위한 프레임워크를 개발하기.
• 시간에 따라 변화하는 치료, 비준수 및 케이서닝이 있는 설정으로 일반화 방법을 확장하기.
• 참가 유도가 결과에 영향을 미칠 경우, 일반화 분석은 치료 할당만이 아니라 참가 유도와 치료 할당을 함께 확대하는 효과를 식별한다는 점을 명확히 하기.

제안 방법

• 시험 참가 자격이 있는 인구에서 목표 인과 추정량을 정의하기 위해 잠재 결과와 반사적 결과를 사용한다.
• 초대(R)와 참여(S) 과정을 표현하기 위해 선택 노드를 갖는 방향성 비순환 그래프(DAGs)를 활용한다.
• R=1, S=1, Z=z로 설정된 공동 간섭의 효과를 식별하기 위해 do-계산법을 적용한다. 이는 시험 참가 유도와 치료 할당을 확대하는 것을 모방한다.
• 가상 간섭 하에서 반사적 결과의 분포를 계산하기 위해 g-공식을 사용하여 식별 공식을 유도한다.
• g-공식이 비가능하거나 데이터가 누락된 경우, 역확률가중법(IPW)을 대안적인 식별 전략으로 사용한다.
• 비준수 및 케이서닝을 다루기 위해, 준수를 강제하고 케이서닝을 제거하는 간섭을 모델링함으로써 시간에 따라 변화하는 치료, 비준수 및 케이서닝을 다룰 수 있도록 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 어떤 조건에서 랜덤화 시험에서 추정된 인과적 효과가 시험 참가 자격이 있는 대상 인구로 일반화될 수 있는가?
• RQ2 시험 참가 유도(초대 및 참여)가 결과에 직접적인 영향을 미칠 경우, 일반화 가능한 인과적 효과의 식별 가능성은 어떻게 영향을 받는가?
• RQ3 시험에서 대상 인구로 일반화할 때 올바른 인과 추정량은 무엇이며, 반사적 및 그림 모델을 사용하여 어떻게 식별되는가?
• RQ4 시험 참가가 결과에 직접적인 영향을 미치지 않을 경우 일반화는 어떻게 평가할 수 있으며, 이러한 경우는 참가 유도의 직접 효과가 있는 경우와 어떻게 다를까?
• RQ5 제안된 프레임워크는 시간에 따라 변화하는 치료, 비준수 및 케이서닝이 있는 설정으로 확장될 수 있는가?

주요 결과

• 시험에서 대상 인구로의 일반화는 참가 유도(R)와 참여(S)를 결과에 직접적인 영향을 미칠 수 있는 별개의 과정으로 모델링할 필요가 있다.
• 참가 유도가 결과에 직접적인 영향을 미칠 경우, 일반화 분석은 치료 할당만이 아니라 참가 유도와 치료 할당을 함께 확대하는 효과를 식별한다.
• 조건부 독립성 가정이 성립할 경우, R, S, Z에 대한 공동 간섭 하에서 반사적 결과의 분포는 g-공식을 사용하여 식별 가능하다.
• g-공식이 계산적 또는 통계적으로 어려운 경우, 역확률가중법(IPW)은 특히 유용한 대안적인 식별 전략을 제공한다.
• 준수를 강제하고 케이서닝을 제거하는 간섭을 모델링함으로써, 이 프레임워크는 시간에 따라 변화하는 치료, 비준수 및 케이서닝이 있는 설정으로 자연스럽게 확장된다.
• 이 논문은 이전 연구에서 X에 조건부로 S가 독립적이라는 가정이 참가 유도의 직접 효과가 있을 경우 잘못 해석될 수 있음을 명확히 한다. 이러한 가정은 참가 유도 효과가 무시할 만큼 작을 경우에만 타당하다.