[논문 리뷰] Matching on Generalized Propensity Scores with Continuous Exposures

Xiao Wu, Fabrizia Mealli외 3명|arXiv (Cornell University)|2018. 12. 17.

Advanced Causal Inference Techniques참고 문헌 57인용 수 17

한 줄 요약

이 논문은 일반화된 투여 확률 점수(GPS)를 사용하여 연속 노출에 대한 인과적 노출-반응 함수를 추정하기 위한 새로운 매칭 방법을 제안한다. 이 방법은 공변량 균형을 확보하고 모형 잘못 설정에 대해 강건하며, 국소적 약한 무관성 조건 하에서 이론적 일致성과 점근 정규성을 보장한다. 시뮬레이션과 메디케어 수혜자 6,850만 명을 대상으로 한 대규모 연구에서 장기적인 PM2.5 노출과 전원 사망률 증가 간의 인과관계를 분석한 결과, 뛰어난 성능을 입증하였다.

ABSTRACT

In the context of a binary treatment, matching is a well-established approach in causal inference. However, in the context of a continuous treatment or exposure, matching is still underdeveloped. We propose an innovative matching approach to estimate an average causal exposure-response function under the setting of continuous exposures that relies on the generalized propensity score (GPS). Our approach maintains the following attractive features of matching: a) clear separation between the design and the analysis; b) robustness to model misspecification or to the presence of extreme values of the estimated GPS; c) straightforward assessment of covariate balance. We first introduce an assumption of identifiability, called local weak unconfoundedness. Under this assumption and mild smoothness conditions, we provide theoretical guarantees that our proposed matching estimator attains point-wise consistency and asymptotic normality. In simulations, our proposed matching approach outperforms existing methods under settings of model misspecification or the presence of extreme values of the estimated GPS. We apply our proposed method to estimate the average causal exposure-response function between long-term PM$_{2.5}$ exposure and all-cause mortality among 68.5 million Medicare enrollees, 2000-2016. We found strong evidence of a harmful effect of long-term PM$_{2.5}$ exposure on mortality. Code for the proposed matching approach is provided in the CausalGPS R package, which is available on CRAN and provides a computationally efficient implementation.

연구 동기 및 목표

• 기존의 투여 확률 점수 방법이 미흡한 연속 노출에 대해 매칭 기반 인과 추론 방법을 개발하기 위해.
• 설계(매칭) 단계와 분석 단계 사이의 명확한 분리를 확보하여 투명성과 해석 가능성 향상하기 위해.
• 관찰 연구에서 흔한 모형 잘못 설정과 극단적 GPS 값에 대해 강건성을 유지하기 위해.
• 기존 GPS 방법에서 흔한 공변량 균형 평가의 공백을 메우기 위해 연속 노출 설정에서의 공변량 균형 평가를 가능하게 하기 위해.
• 대규모 데이터셋(예: 국가 수준의 건강 코hort)에 스케일이 가능하고 계산 효율적인 비모수적 접근법 제공하기 위해.

제안 방법

• 추정된 일반화된 투여 확률 점수를 기반으로 단위를 매칭하는 GPS 매칭 추정기 제안. 캘리퍼 기반 최근접 이웃 접근 방식 사용.
• 식별을 뒷받침하기 위해 표준 무관성 조건보다 더 엄격하지 않은 국소적 약한 무관성 가정 도입.
• 편향 감소와 점근 정규성 확보를 위해 밴드위드 선택을 적용한 스무딩 매칭 추정기 사용.
• 두 단계 절차 적용: 먼저 파라미터 모델링을 통해 GPS 추정, 그 후 복원 매칭을 통해 공변량 균형 확보.
• 비모수 설정에서 과적합을 방지하기 위해 과소 스무딩 적용하여 점근적으로 편향 없는 추정 달성.
• CausalGPS R 패키지에 해당 방법 통합. 대규모 데이터셋에서의 확장성을 위해 병렬 컴퓨팅 지원.

실험 결과

연구 질문

• RQ1 매칭 기반 접근법이 설계-분석 분리와 공변량 균형을 유지하면서 연속 노출로 효과적으로 확장될 수 있는가?
• RQ2 기존 방법과 비교해 모형 잘못 설정 또는 극단적 GPS 값 상황에서 제안된 GPS 매칭 추정기는 어떻게 성능을 보이는가?
• RQ3 약한 매끄러움 조건과 국소 무관성 가정 하에서 GPS 매칭 추정기가 일치성과 점근 정규성 등의 이론적 성질을 어떻게 확보하는가?
• RQ4 캘리퍼와 밴드위드의 선택이 추정기의 유한 표본 성능에 어떤 영향을 미치는가?
• RQ5 이 방법은 환경 건강 분야에서 인과적 노출-반응 함수를 추정하기 위해 대규모 관찰 데이터에 실용적으로 적용될 수 있는가?

주요 결과

• 모형 잘못 설정 또는 극단적 GPS 값 존재 시 시뮬레이션에서 제안된 GPS 매칭 방법이 기존 방법보다 뛰어난 성능을 보였다.
• 국소적 약한 무관성과 매끄러움 가정 하에서 추정기는 점별 일치성과 점근 정규성을 달성하였다.
• 메디케어 코hort 연구(6,850만 명, 2000–2016년)에서 장기적인 PM2.5 노출과 전원 사망률 증가 사이에 긍정적이고 거의 선형적인 인과관계가 강력하게 확인되었다.
• GPS 매칭을 통해 추정된 노출-반응 함수는 효과적인 교란 조정을 확인하는 데 성공한 강력한 공변량 균형을 보였다.
• CausalGPS R 패키지는 병렬 컴퓨팅 지원을 통해 효율적이고 확장 가능한 구현을 가능하게 하여 대규모 관찰 연구에서의 활용을 촉진한다.
• 이 방법은 인과 추정과 균형 평가를 모두 지원하는 연속 노출에 대한 매칭을 위한 세계 최초의 프레임워크를 제공한다.