[논문 리뷰] Nonparametric Pattern-Mixture Models for Inference with Missing Data

Yen‐Chi Chen, Mauricio Sadinle|arXiv (Cornell University)|2019. 04. 24.

Bayesian Methods and Mixture Models참고 문헌 52인용 수 4

한 줄 요약

이 논문은 비모수적 패턴-혼합 모형을 제안하여 결측 데이터 분석을 수행한다. 이 모형은 기여자 기반 식별 제약 조건 하에서 커널 스무딩과 몬테카를로 샘플링을 사용하는 대체 경험분포를 활용한다. 이는 비단조화적 결측성 조건 하에서도 평균 치료 효과(AVE)와 같은 기능량에 대해 타당한 점 추정과 부트스트랩 신뢰구간을 가능하게 하며, 이론적 보장과 가정의 잘못된 설정에 대한 강건성을 제공한다.

ABSTRACT

Pattern-mixture models provide a transparent approach for handling missing data, where the full-data distribution is factorized in a way that explicitly shows the parts that can be estimated from observed data alone, and the parts that require identifying restrictions. We introduce a nonparametric estimator of the full-data distribution based on the pattern-mixture model factorization. Our approach uses the empirical observed-data distribution and augments it with a nonparametric estimator of the missing-data distributions under a given identifying restriction. Our results apply to a large class of donor-based identifying restrictions that encompasses commonly used ones and can handle both monotone and nonmonotone missingness. We propose a Monte Carlo procedure to derive point estimates of functionals of interest, and the bootstrap to construct confidence intervals.

연구 동기 및 목표

• 단조형 및 비단조화적 결측성 모두를 다룰 수 있는 비모수적 패턴-혼합 모델 프레임워크를 개발하기 위해.
• 기여자 기반 식별 제약 조건을 비모수적 설정에 통합하고 일반화하기 위해.
• 평균 치료 효과와 같은 관심 기능량을 결측 데이터 하에서 계산 가능한 방법을 제공하기 위해.
• 비모수적 추정 하에서 몬테카를로 추정과 부트스트랩 신뢰구간의 이론적 타당성을 확립하기 위해.
• 단일 일관된 프레임워크 내에서 여러 식별 제약 조건을 평가할 수 있도록 감도 분석을 가능하게 하기 위해.

제안 방법

• 관측된 데이터의 경험분포를 기반으로 하며, 조건부 커널 밀도 추정기를 사용해 결측 데이터 분포를 비모수적으로 추정한다.
• 기여자 기반 식별 제약 조건 하에서 추정을 가능하게 하기 위해 커널 스무딩을 기반으로 한 대체 관측 데이터 분포를 도입한다.
• 추정된 전체 데이터 분포에서 몬테카를로 절차를 사용해 시뮬레이션을 수행함으로써 ATE와 같은 기능량의 수치적 계산을 가능하게 한다.
• 부트스트랩을 적용해 기능량에 대한 타당한 95% 신뢰구간을 구축하며, 에프론의 부트스트랩 다이어그램을 통해 이론적 근거를 제공한다.
• 이 방법은 강건성을 갖추고 있다: 추론은 관측된 데이터와 지정된 식별 제약 조건에만 의존하며, 제약 조건이 잘못 설정되어도 영향을 받지 않는다.
• 정규 조건 하에서 수렴 속도와 점근 정규성을 도출하여 추론 타당성을 뒷받침한다.

실험 결과

연구 질문

• RQ1 비단조화적 결측성 조건 하에서 패턴-혼합 모형을 사용한 비모수적 추론은 어떻게 수행할 수 있는가?
• RQ2 기여자 기반 식별을 위한 통합 프레임워크는 비단조화적 결측 데이터를 다룰 수 있도록 확장될 수 있는가?
• RQ3 비모수적 패턴-혼합 모형 하에서 기능량에 대한 몬테카를로 근사의 이론적 타당성은 무엇인가?
• RQ4 이 비모수적 프레임워크 하에서 부트스트랩 기반 신뢰구간은 어떻게 구성하고 타당화할 수 있는가?
• RQ5 식별 제약 조건의 잘못된 설정에 대해 추론은 어느 정도 강건한가?

주요 결과

• 제안된 기능량 추정을 위한 몬테카를로 방법은 정규 조건 하에서 수렴 속도와 점근 정규성을 확립하여 이론적으로 타당하다.
• 부트스트랩 절차를 통한 신뢰구간 구성은 이론적 증명과 에프론의 부트스트랩 다이어그램을 통해 타당함을 입증하였다.
• 정신분열증 치료 임상 시험에서, 주 8주 시점에서 신규 치료법 대비 표준 치료법의 ATE에 대한 모든 95% 부트스트랩 신뢰구간이 0 이하에 위치하여, 모든 결측 데이터 가정 하에서 신규 치료법의 우월성이 강력한 증거로 나타났다.
• 이 방법은 비단조화적 결측성 조건을 성공적으로 다루었으며, 종단적 단조형 설정을 초월해 패턴-혼합 모형의 적용 가능성을 넓혔다.
• 동일한 기능량을 여러 식별 제약 조건(예: AC, 3NC, NC) 하에서 평가함으로써 감도 분석이 가능했으며, 다양한 가정 하에서도 일관된 결론을 도출하였다.
• 이론적 결과는 추론이 관측된 데이터와 지정된 식별 제약 조건에만 의존함을 보여주어 투명성과 해석 가능성 보장하였다.