[논문 리뷰] Pathway Lasso: Estimate and Select Sparse Mediation Pathways with High Dimensional Mediators

Yi Zhao, Xi Luo|arXiv (Cornell University)|2016. 03. 24.

Advanced Causal Inference Techniques참고 문헌 19인용 수 27

한 줄 요약

이 논문은 고차원의 중재자 설정에서 희박한 중재 경로를 추정하고 선택하는 데 전용된 새로운 정규화 구조 방정식 모델링(SEM) 방법인 Pathway Lasso를 제안한다. 경로 효과에 대한 볼록 완화 페널티를 도입함으로써 안정적인 고차원 추정과 선택이 가능해지며, 시뮬레이션 및 fMRI 데이터에서 기존 방법보다 우수한 선택 정확도와 낮은 편향을 보였다.

ABSTRACT

In many scientific studies, it becomes increasingly important to delineate the causal pathways through a large number of mediators, such as genetic and brain mediators. Structural equation modeling (SEM) is a popular technique to estimate the pathway effects, commonly expressed as products of coefficients. However, it becomes unstable to fit such models with high dimensional mediators, especially for a general setting where all the mediators are causally dependent but the exact causal relationships between them are unknown. This paper proposes a sparse mediation model using a regularized SEM approach, where sparsity here means that a small number of mediators have nonzero mediation effects between a treatment and an outcome. To address the model selection challenge, we innovate by introducing a new penalty called Pathway Lasso. This penalty function is a convex relaxation of the non-convex product function, and it enables a computationally tractable optimization criterion to estimate and select many pathway effects simultaneously. We develop a fast ADMM-type algorithm to compute the model parameters, and we show that the iterative updates can be expressed in closed form. On both simulated data and a real fMRI dataset, the proposed approach yields higher pathway selection accuracy and lower estimation bias than other competing methods.

연구 동기 및 목표

• 중재자의 수가 많거나 표본 크기를 초과할 경우 인과 중재 경로를 추정하고 선택하는 데 도전 과제를 해결하기 위해.
• 중재자가 인과적으로 종속되어 있고 고차원일 경우 전통적인 SEM에서 발생하는 불안정성을 극복하기 위해.
• 모든 중재자가 비영이 아닌 경로를 갖는 희박한 경로를 식별하는 방법을 개발하여 중재자 순서가 사전에 알려져 있지 않아도 되도록 하기 위해.
• 새로운 계산적으로 다룰 수 있는 페널티 함수를 사용하여 경로 효과의 동시에 추정과 선택을 가능하게 하기 위해.
• 고차원 fMRI 데이터를 활용한 실세계 뇌영상 적용에서 재현성과 강인성을 향상시키기 위해.

제안 방법

• 중재자 간 인과적 순서를 알 필요 없이 각 중재자의 총 중재 효과를 모델링하는 새로운 SEM 표현 방식을 제안한다.
• 비볼록인 계수의 곱으로 구성된 경로 효과의 볼록 완화인 Pathway Lasso를 도입하여 희박한 추정을 가능하게 한다.
• 최적화 문제를 해결하기 위해 증강 라그랑주를 사용하는 분할형 다중 승수 방법(ADMM) 알고리즘을 사용한다.
• ADMM 알고리즘의 모든 매개변수에 대해 닫힌 형태의 갱신식을 유도하여 계산 효율성을 확보한다.
• 중재자의 변환이나 마진화를 요구하지 않고 원본 데이터에 직접 적용한다.
• 튜닝 파rameter 선택을 위해 10중 교차검증을 사용하고, 선택 후 경로의 유의성을 평가하기 위해 부트스트래핑을 활용한다.

실험 결과

연구 질문

• RQ1 고차원이고 상호 인과적으로 종속된 중재자 설정에서 효과적으로 희박한 중재 경로를 추정하고 선택할 수 있는 볼록 페널티를 설계할 수 있는가?
• RQ2 제안된 Pathway Lasso 방법은 경로 선택 정확도와 추정 편향 측면에서 마진형 SEM과 이단계 Lasso와 비교해 어떻게 성능을 발휘하는가?
• RQ3 기존 방법과 비교해 반복적인 fMRI 스캔에서 더 안정적이고 재현 가능한 결과를 도출하는가?
• RQ4 고차원 독립 성분을 갖는 기능적 MRI 데이터에서 생물학적으로 의미 있는 뇌 경로를 식별할 수 있는가?
• RQ5 고차원 중재 분석에서 추정 편향을 줄이면서도 높은 선택 정확도를 유지하는 데 Pathway Lasso가 어느 정도 기여하는가?

주요 결과

• fMRI 데이터셋에서 Pathway Lasso는 TSLasso 대비 70% 높은 재현지수(Jaccard index)를 기록하여 더 뛰어난 선택 정확도를 입증하였다.
• 중재 효과 추정치의 ℓ2 차이에서는 Pathway Lasso가 다소 열악한 성능을 보였음(0.260 vs. 0.258), 그러나 추정 및 선택 모두에서 더 높은 재현성을 보였다.
• 시뮬레이션 연구에서 Pathway Lasso는 경쟁 방법들보다 낮은 추정 편향과 더 높은 경로 선택 정확도를 보였다.
• 이 방법은 IC 27이 일관되게 음의 중재 효과(_LR 런에서 -0.063, _RL 런에서 -0.038)를 가지며 유의미한 경로임을 확인하였다. 각각 31.7% 및 13.4%의 중재 효과를 기록하였다.
• 부트스트래핑 분석을 통해 IC 27의 유의성이 확인되었으며, 이는 전두엽의 상부 영역과 관련이 있었고 산술 처리와 연관되었다.
• 경로의 시각화 결과 자극 영역에서 브롬안 영역 44로 이어지는 뇌 네트워크가 드러났으며, 상부 전두엽이 핵심 중재자 노드로 기능하였다.