[논문 리뷰] Mimicking counterfactual outcomes for the estimation of causal effects

Judith J. Lok|arXiv (Cornell University)|2004. 09. 03.

Advanced Causal Inference Techniques참고 문헌 15인용 수 3

한 줄 요약

이 논문은 시간에 따라 변화하는 치료에 대한 인과적 추론에서 결정론적 반사적 결과 가정을 완화함으로써, 모든 반사적 결과가 관측 데이터에 결정론적으로 연결되어야 한다는 조건이 필요 없이 치료 효과를 추정할 수 있음을 보여준다. 핵심 기여는 치료와 공변량 사이에 피드백 루프가 존재하는 상황에서 더 현실적이며 이질적인 치료 효과를 모델링할 수 있도록 하는 것이다.

ABSTRACT

Large observational studies have become commonplace in medical research. Treatment may be adapted to covariates at several instances without a fixed protocol. Estimation or even definition of treatment effect is difficult in that case. Treatment influences covariates, which influence treatment, which influences covariates, etcetera. To distinguish between these options, even the famous time-dependent Cox-model cannot be used. Robins (1992, 1998), Keiding (1999) and Lok (2001, 2004) study Structural Nested Models to estimate treatment effects even in this difficult setting. Their methods are based on so-called counterfactuals: the outcome a patient would have had if treatment was withheld after a certain time. It is clearly impossible for these outcomes to be observed in all patients. Yet we will show how counterfactual thinking is a very helpful tool to study estimation of treatment effect in the presence of time-dependent covariates. Previous work on these models was usually based on the assumption that the correct model combined with observations made it possible to calculate all counterfactuals for each patient. This assumption was considered not plausible, since it assumes the exact same treatment effect for each patient. This paper provides the cornerstone for the relaxation of treatment effects in e.g. Robins (1992, 1998) or Keiding (1999) in that, at least if there is no censoring, the assumption that counterfactuals are connected with the observed data in a deterministic way is not necessary. We hope that this will contribute to the discussion about causal reasoning.

연구 동기 및 목표

• 시간에 따라 변화하는 치료와 상호작용하는 공변량이 존재하는 관찰 연구에서 인과 효과를 추정하는 데 도전하는 것.
• 이전에 구조적 내재 모델에서 요구되었던, 반사적 결과가 관측 데이터에 결정론적으로 연결되어야 한다는 강력한 가정을 완화하는 것.
• 반사적 결과가 관측 데이터와 확률적으로 연결될 수 있도록 허용함으로써 이질적인 치료 효과를 더 현실적으로 모델링하는 데 기여하는 것.
• 표준 모델(예: 시간에 따라 변화하는 코크스 모델)이 실패하는 복잡한 종단적 설정에서 인과 추론의 이론적 기반을 공고히하는 것.

제안 방법

• 구조적 내재 모델에서 결정론적 반사적 결과 가정을 완화하여, 반사적 결과가 관측 데이터와 비결정론적인 방식으로 연결될 수 있도록 제안한다.
• 비관측 조건이 없는 조건 하에서, Robins(1992, 1998)와 Keiding(1999)의 핵심 신뢰성 프레임워크가 정확한 결정론적 반사적 예측이 필요 없이도 여전히 유효하다는 것을 입증한다.
• 반사적 결과가 관측되지 않으며 결정론적으로 재구성될 수 없더라도, 반사적 사고를 개념적 도구로 사용하여 치료 효과를 정의할 수 있음을 보여준다.
• 다른 치료 체제 하에서의 잠재적 결과를 모델링함으로써, 구조적 내재 모델 프레임워크를 활용해 인과 효과를 추정한다.
• 반사적 결과가 관측 데이터와 모델 구조에 의해 완전히 결정되어야 한다는 가정이 필요 없이, 치료 효과의 식별이 가능하다는 것을 입증한다.
• 치료와 시간에 따라 변화하는 공변량 사이에 피드백이 존재하는 설정에서 반사적 사고를 사용하는 데 이론적 근거를 제공한다.

실험 결과

연구 질문

• RQ1 구조적 내재 모델이 반사적 결과가 관측 데이터와 모델 매개변수에 의해 결정론적으로 결정되어야 한다는 가정 없이도 인과 효과를 추정할 수 있는가?
• RQ2 시간에 따라 변화하는 치료와 상호작용하는 공변량이 존재하는 종단적 연구에서 반사적 사고는 어떻게 적용될 수 있는가?
• RQ3 결정론적 반사적 결과 가정을 완화함으로써 복잡한 동적 치료 설정에서 인과 추론에 어떤 영향을 미치는가?
• RQ4 반사적 결과가 관측 데이터에 결정론적으로 연결되어 있지 않은 경우, 어떤 조건에서 치료 효과를 식별할 수 있는가?

주요 결과

• 논문은 이전에 구조적 내재 모델에서 식별을 위해 필수로 여겨졌던 결정론적 반사적 결과 가정이, 유효한 인과 효과 추정을 위해 반드시 필요하지 않다는 것을 입증한다.
• 비관측 반사적 결과가 존재하더라도, 구조적 내재 모델 프레임워크 하에서는 비관측이 없는 조건 하에서 치료 효과를 일관되게 추정할 수 있다.
• 결정론적 반사적 결과 가정의 완화는 개인 간 이질적인 치료 효과를 더 현실적으로 모델링할 수 있도록 한다.
• 반사적 결과가 관측 데이터에서 결정론적으로 재구성될 수 없더라도, 반사적 사고는 여전히 인과 효과 정의와 추정에 유효하고 유용한 도구로 남아 있다.
• 반사적 결과가 관측 데이터에 결정론적으로 매핑되어야 한다는 가정에 의존하지 않음으로써, 구조적 내재 모델의 이론적 기반을 공고히 한다.
• 치료와 공변량이 동적으로 변화하고 상호작용하는 복잡한 의료 설정에서 인과 추론 방법의 광범위한 적용을 지원한다.