[논문 리뷰] Outcome-wide longitudinal designs for causal inference: a new template for empirical studies

Tyler J. VanderWeele, Maya B. Mathur외 1명|arXiv (Cornell University)|2018. 10. 24.

Advanced Causal Inference Techniques인용 수 36

한 줄 요약

이 논문은 원인인과 추론을 위한 새로운 틀인 결과광역 종단적 설계(OWLD)를 소개한다. 이는 시간에 따라 단일 노출이 여러 결과에 미치는 영향을 동시에 평가하는 방법이다. 모든 결과에 대해 공액 조정과 민감도 분석을 적용함으로써 OWLD는 통계적 효율성을 높이고 연구자 편향을 줄이며, 종합적이고 체계적인 노출 효과 평가를 통해 정책적 관련성을 향상시킨다.

ABSTRACT

In this paper we propose a new template for empirical studies intended to assess causal effects: the outcome-wide longitudinal design. The approach is an extension of what is often done to assess the causal effects of a treatment or exposure using confounding control, but now, over numerous outcomes. We discuss the temporal and confounding control principles for such outcome-wide studies, metrics to evaluate robustness or sensitivity to potential unmeasured confounding for each outcome, and approaches to handle multiple testing. We argue that the outcome-wide longitudinal design has numerous advantages over more traditional studies of single exposure-outcome relationships including results that are less subject to investigator bias, greater potential to report null effects, greater capacity to compare effect sizes, a tremendous gain in the efficiency for the research community, a greater policy relevance, and a more rapid advancement of knowledge. We discuss both the practical and theoretical justification for the outcome-wide longitudinal design and also the pragmatic details of its implementation.

연구 동기 및 목표

• 기존의 단일 노출, 단일 결과 인과 연구의 한계를 해결하기 위해 더 넓고 체계적인 프레임워크를 제안하기 위해.
• 선택적으로 결과를 평가하는 대신 모든 결과를 동시에 평가함으로써 연구자 편향을 줄이기 위해.
• 다양한 결과에 걸쳐 데이터를 재사용함으로써 종단적 연구의 효율성과 누적 지식 창출을 향상시키기 위해.
• 다양한 결과 간 효과 크기의 직접 비교를 가능하게 함으로써 정책적 관련성을 향상시키기 위해.
• 실제 연구에서 결과광역 인과 연구를 구현하기 위한 실용적이고 이론적으로 타당한 템플릿을 제공하기 위해.

제안 방법

• 결과광역 종단적 설계는 표준 공액 조정 방법을 다수의 결과로 확장하여 모든 분석에서 일관된 조정을 보장한다.
• 노출가 결과보다 시간적으로 앞서야 하므로, 인과성을 확립하기 위해 시간적 순서 원칙을 적용한다.
• 모든 결과에 대해 민감도 분석 지표를 적용하여 측정되지 않은 공액에 대한 결과의 강인성을 평가한다.
• 다수의 결과 비교에서 제1종 오류 비율을 통제하기 위해 다중 검정 보정을 통합한다.
• 종단적 데이터를 활용하여 시간에 따라 변화하는 노출-결과 관계를 모델링한다.
• 모든 연구에서 투명성과 재현 가능성을 보장하기 위해 표준화된 분석 파이프라인을 제안한다.

실험 결과

연구 질문

• RQ1 단일 노출이 여러 건강 또는 사회적 결과에 미치는 영향을 평가할 때 인과 추론은 어떻게 향상시킬 수 있는가?
• RQ2 연구자 편향을 최소화하면서도 강력하고 체계적인 노출 효과 평가가 가능한 방법론적 프레임워크는 무엇인가?
• RQ3 측정되지 않은 공액에 대한 영향을 평가하기 위해 다수의 결과에 민감도 분석을 어떻게 적용할 수 있는가?
• RQ4 伝통적인 단일 결과 연구에 비해 결과광역 설계는 효율성과 지식 축적 측면에서 어떤 방식으로 향상되는가?
• RQ5 정책 관련 연구에 있어 결과광역 종단적 설계는 실용적이고 이론적으로 어떤 이점을 제공하는가?

주요 결과

• 결과광역 종단적 설계는 선택적으로 결과를 분석하는 대신 모든 결과를 동시에 분석함으로써 연구자 편향의 위험을 크게 줄인다.
• 다양한 결과에 걸쳐 영향이 없음을 보고할 수 있어 투명성과 과학적 신뢰도를 높인다.
• 다양한 결과 간 효과 크기를 의미 있게 비교할 수 있어 해석 가능성과 정책적 관련성을 향상시킨다.
• 데이터와 통계 모델을 여러 결과에 걸쳐 재사용할 수 있기 때문에 연구 효율성이 향상된다.
• 민감도 분석 지표는 각 결과에 대해 측정되지 않은 공액에 대한 결과의 강인성을 체계적으로 평가할 수 있는 방법을 제공한다.
• 결과 간 인과 평가를 표준화함으로써 과학 지식의 더 빠르고 누적적인 발전을 지원한다.