[논문 리뷰] Learning Causal Hazard Ratio with Endogeneity

Linbo Wang, Eric Tchetgen Tchetgen외 2명|arXiv (Cornell University)|2018. 07. 14.

Advanced Causal Inference Techniques참고 문헌 26인용 수 7

한 줄 요약

이 논문은 쇄약된 결과를 가진 코ックス 모델에서 미측정 혼동요인 존재 하에 인과적 위험비율의 인구 모집단 경계 인과 위험비율을 위한 새로운 폐쇄형 추정기법을 제안한다. 이는 이분형 산술적 변수와 상호작용 없음 가정을 활용한다. 이는 쇄약된 결과를 가진 코ックス 모델에서 산술적 변수 프레임워크 내에서 인과적 추론을 위한 첫 번째 일致된 방법을 제공한다.

ABSTRACT

Cox's proportional hazards model is one of the most popular statistical models to evaluate associations of a binary exposure with a censored failure time outcome. When confounding factors are not fully observed, the exposure hazard ratio estimated using a Cox model is not causally interpretable. To address this, we propose novel approaches for identification and estimation of the causal hazard ratio in the presence of unmeasured confounding factors. Our approaches are based on a binary instrumental variable and an additional no-interaction assumption. We derive, to the best of our knowledge, the first consistent estimator of the population marginal causal hazard ratio within an instrumental variable framework. Our estimator admits a closed-form representation, and hence avoids the drawbacks of estimating equation based estimators. Our approach is illustrated via simulation studies and a data analysis.

연구 동기 및 목표

• 미측정 혼동요인이 존재할 때 코ックス 비례위험 모델의 인과적 해석 부족 문제를 해결하기 위해.
• 미측정 혼동요인이 존재할 경우 인과적 위험비율을 식별하고 추정하기 위한 방법을 개발하기 위해.
• 이분형 산술적 변수를 활용해 인구 모집단 경계 인과 위험비율을 공식적으로 식별하는 전략을 수립하기 위해.
• 반복적 또는 추정방정식 기반 접근법의 한계를 피하는 계산적으로 효율적인 폐쇄형 추정기법을 제공하기 위해.
• 시뮬레이션 연구와 생존 분석 설정에서의 실데이터 적용을 통해 방법을 검증하기 위해.

제안 방법

• 관측된 공변량 조건 하에서 산술적 변수와 결과 사이에 미측정 혼동요인이 없음을 가정하여, 산술적 변수를 활용해 인과적 위험비율을 식별한다.
• 노출과 산술적 변수 사이의 상호작용 없음 가정을 위험함수에 도입하여 경계 인과 효과를 식별할 수 있도록 한다.
• 반복적 또는 추정방정식 기반 계산을 피하기 위해 인구 모집단 경계 인과 위험비율을 위한 폐쇄형 추정기법을 유도한다.
• 일致성과 실용적 유용성을 입증하기 위해 시뮬레이션 데이터와 실제 생존 데이터에 추정기법을 적용한다.
• 기본 가정을 유지할 경우 타당한 인과적 추론을 보장하기 위해 구조적 인과 모델 프레임워크 내에서 표준 생존 분석 기법을 활용한다.

실험 결과

연구 질문

• RQ1 미측정 혼동요인이 존재할 경우 산술적 변수 접근법을 통해 인과적 위험비율을 일관되게 식별할 수 있는가?
• RQ2 쇄약된 결과를 가진 생존 모델에서 경계 인과 위험비율을 식별하기 위해 필요한 가정은 무엇인가?
• RQ3 코ックス 모델 프레임워크에서 산술적 변수 가정 하에 인과적 위험비율을 위한 폐쇄형 추정기법을 어떻게 도출할 수 있는가?
• RQ4 기존의 추정방정식 기반 방법과 비교할 때 제안된 추정기법은 편향, 효율성, 계산 가능성 측면에서 어떻게 다른가?
• RQ5 다양한 미측정 혼동요인 구성 조건 하에서 유한 표본에서 추정기법의 실증 성능은 어떠한가?

주요 결과

• 제안된 방법은 이분형 산술적 변수를 활용해 미측정 혼동요인이 존재할 경우 인구 모집단 경계 인과 위험비율을 위한 첫 번째 일관된 추정기법을 제공한다.
• 추정기법은 폐쇄형 해를 허용하여 반복 최적화 또는 추정방정식을 푸는 것을 피한 직접 계산이 가능하다.
• 시뮬레이션 연구 결과, 올바른 모델 가정 하에서 추정기법이 양호한 유한표본 성능을 유지함을 입증한다.
• 상호작용 없음 가정과 산술적 변수 조건이 충족될 경우, 타당한 인과적 추론을 달성한다.
• 실제 생존 데이터에 적용 가능하며, 실증 분석을 통해 실용성과 강건성을 입증한다.