[논문 리뷰] Multiply Robust Causal Inference with Double Negative Control Adjustment for Categorical Unmeasured Confounding

Xu Shi, Wang Miao외 2명|arXiv (Cornell University)|2018. 08. 14.

Advanced Causal Inference Techniques참고 문헌 43인용 수 11

한 줄 요약

이 논문은 범주형 측정되지 않은 혼란인자에 대한 인과적 추론을 위해 음성 대조 노출 및 결과 변수의 쌍을 활용하여 다중 강건한 반모수적 프레임워크를 제안한다. 비모수적 식별 조건을 더 약한 조건으로 확장하고, 여러 작업 모델 중 하나만 올바르게 지정된 경우에도 일관된 추정기를 개발하여 고차원적 공변수를 가진 유한 표본에서 국소 효율성과 강건성을 달성한다.

ABSTRACT

Unmeasured confounding is a threat to causal inference in observational studies. In recent years, use of negative controls to mitigate unmeasured confounding has gained increasing recognition and popularity. Negative controls have a longstanding tradition in laboratory sciences and epidemiology to rule out non-causal explanations, although they have been used primarily for bias detection. Recently, Miao et al. (2018) have described sufficient conditions under which a pair of negative control exposure and outcome variables can be used to nonparametrically identify the average treatment effect (ATE) from observational data subject to uncontrolled confounding. In this paper, we establish nonparametric identification of the ATE under weaker conditions in the case of categorical unmeasured confounding and negative control variables. We also provide a general semiparametric framework for obtaining inferences about the ATE while leveraging information about a possibly large number of measured covariates. In particular, we derive the semiparametric efficiency bound in the nonparametric model, and we propose multiply robust and locally efficient estimators when nonparametric estimation may not be feasible. We assess the finite sample performance of our methods in extensive simulation studies. Finally, we illustrate our methods with an application to the postlicensure surveillance of vaccine safety among children.

연구 동기 및 목표

• 표준적인 측정되지 않은 혼란인자에 대한 가정이 위반되는 관찰 연구에서 측정되지 않은 혼란인자의 문제를 다루기 위해.
• 범주형 측정되지 않은 혼란인자 하에서 음성 대조를 사용한 평균 치료 효과(Average Treatment Effect, ATE)의 비모수적 식별 조건을 이전보다 더 약한 조건으로 확장하기 위해.
• 많은 수의 관측된 혼란인자를 수용하면서도 강건성과 효율성을 유지하는 반모수적 추론 프레임워크를 개발하기 위해.
• 비모수 모형에서 ATE의 반모수적 효율 한계를 유도하고 실용적 구현을 위한 다중 강건, 국소 효율 추정기를 제안하기 위해.
• 광범위한 시뮬레이션과 후면허가 백신 안전성 모니터링에 대한 실제 응용을 통해 방법을 검증하기 위해.

제안 방법

• Miao 등 (2018)을 확장하여, 범주형 측정되지 않은 혼란인자에 대해 더 약한 완전성 조건 하에서 ATE의 비모수적 식별 조건을 확립한다.
• 측정된 공변수를 포함하고 이중 음성 대조(노출 및 결과)를 사용하여 측정되지 않은 혼란인자를 보정하는 일반적인 반모수 모형을 도입한다.
• 비모수 모형에서 ATE의 반모수적 효율 한계를 도출하여 최적 추정의 기준을 제공한다.
• 다양한 작업 모델(예: 결과 모델, 성향 스코어 모델, 측정되지 않은 혼란인자 분포 모델) 중 하나만 올바르게 지정된 경우에도 일관된 다중 강건 추정기를 제안한다.
• 역확률가중치화와 결과 회귀를 조합한 이중 강건 추정방정식 프레임워크를 사용하며, 조건부 기대값과 영향 함수를 포함한 핵심 식별 표현식이 핵심이다.
• 변수 교체 논증을 활용하여 치료 역전(A → 1−A)에 대해 불변성을 보여주어 추정방정식의 대칭성과 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 이중 음성 대조 변수를 사용할 때, 이전에 요구된 조건보다 더 약한 조건 하에서 평균 치료 효과를 비모수적으로 식별할 수 있는가?
• RQ2 많은 수의 관측된 혼란인자가 존재할 경우 ATE에 대해 효율적이고 강건한 추론을 어떻게 달성할 수 있는가?
• RQ3 범주형 측정되지 않은 혼란인자와 이중 음성 대조가 존재할 경우 ATE의 반모수적 효율 한계는 무엇인가?
• RQ4 여러 모델 중 하나만 올바를 경우에도 일관성이 유지되는 다중 강건 추정기를 구성할 수 있는가? 동시에 국소 효율성도 유지할 수 있는가?
• RQ5 실제 혼란 구조와 고차원 공변수를 가진 유한 표본에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 논문은 Miao 등 (2018)보다 더 약한 완전성 조건 하에서 평균 치료 효과의 비모수적 식별 조건을 확립하여 음성 대조 방법의 적용 가능성을 넓혔다.
• 제안된 다중 강건 추정기는 결과 모델, 치료 모델, 또는 측정되지 않은 혼란인자 분포 모델 중 하나만 올바르게 지정된 경우에도 일관성이 유지되어 실용적 강건성을 향상시켰다.
• 이 방법은 국소 효율성을 달성하여 모든 모델이 올바르게 지정된 경우 반모수적 효율 한계에 도달함으로써 대규모 표본에서 최적의 분산을 확보한다.
• 시뮬레이션 연구 결과, 다중 강건 추정기는 다양한 모델 오_SPECIFICATION 상황에서도 양호한 유한표본 성능을 유지하며 단일 강건 대안보다 뛰어난 성능을 보였다.
• 후면허가 백신 안전성 모니터링에 대한 응용 결과, 건강 행동과 관련된 측정되지 않은 혼란인자를 탐지하고 보정할 수 있어 더 신뢰할 수 있는 인과적 추정치를 제공함을 보였다.
• 이론적 유도 결과, 추정방정식은 세 가지 모델 클래스(M1, M2, M3)의 합집합 하에서 편향이 없음을 확인하여, 다양한 현실적인 모델 구성 조건 하에서도 일관성을 보장한다.