[논문 리뷰] Principal stratification analysis using principal scores

Peng Ding, Jiannan Lu|arXiv (Cornell University)|2016. 02. 03.

Advanced Causal Inference Techniques참고 문헌 24인용 수 8

한 줄 요약

이 논문은 잠재적 군집에 대한 조건부 확률인 주성분 점수를 사용하는 주성분 분할 프레임워크를 제안하여, 중간 변수가 존재하는 랜덤화 실험에서 강건하고 모형에 종속되지 않는 인과적 추론을 가능하게 한다. 이러한 점수를 기반으로 샘플을 가중치를 적용함으로써, 정규성 또는 파rametric 결과 모형을 가정하지 않으면서도 유효한 인과적 추론을 달성할 수 있으며, 무시 가능성과 단조성과 같은 핵심 검증 불가 가정에 대한 민감도 분석도 제공한다.

ABSTRACT

Practitioners are interested in not only the average causal effect of the treatment on the outcome but also the underlying causal mechanism in the presence of an intermediate variable between the treatment and outcome. However, in many cases we cannot randomize the intermediate variable, resulting in sample selection problems even in randomized experiments. Therefore, we view randomized experiments with intermediate variables as semi-observational studies. In parallel with the analysis of observational studies, we provide a theoretical foundation for conducting objective causal inference with an intermediate variable under the principal stratification framework, with principal strata defined as the joint potential values of the intermediate variable. Our strategy constructs weighted samples based on principal scores, defined as the conditional probabilities of the latent principal strata given covariates, without access to any outcome data. This principal stratification analysis yields robust causal inference without relying on any model assumptions on the outcome distributions. We also propose approaches to conducting sensitivity analysis for violations of the ignorability and monotonicity assumptions, the very crucial but untestable identification assumptions in our theory. When the assumptions required by the classical instrumental variable analysis cannot be justified by background knowledge or cannot be made because of scientific questions of interest, our strategy serves as a useful alternative tool to deal with intermediate variables. We illustrate our methodologies by using two real data examples, and find scientifically meaningful conclusions.

연구 동기 및 목표

• 중간 변수가 결과에 영향을 주지만 랜덤화할 수 없는 랜덤화 실험에서의 인과적 추론 문제를 해결하기 위해.
• 배제 제약 조건과 단조성 가정에 의존하는 전통적인 산술 변수 방법의 한계를 극복하기 위해.
• 사전 치료 공변량만을 사용하여 주성분 군집 내 인과 효과를 모형에 종속되지 않고 객관적으로 추정하기 위해.
• 무시 가능성과 단조성에 대한 위반에 대한 민감도 분석 도구를 제공하여, 주성분 분할에서 중요한데 검증이 불가능한 가정에 대해.
• 기존 방법이 배제 제약 조건이 없거나 강력한 파arametric 가정이 필요한 경우 실패하는 설정에서 실용적인 인과적 추론을 가능하게 하기 위해.

제안 방법

• 치료와 대조 조건에서 중간 변수의 잠재적 값의 조합으로서 주성분 군집을 정의하고, 이를 사전 치료 공변량으로 간주한다.
• 관측된 공변량을 바탕으로 각 주성분 군집에 속할 조건부 확률인 주성분 점수를 도입하며, 결과 데이터 없이 이를 추정한다.
• 주성분 점수를 역확률 가중치로 사용하여 주성분 군집 내 평균 인과 효과에 대한 가중치 추정량을 구성한다.
• 주성분 무시 가능성을 가정할 때 가중치 추정량의 대표적 표본 성질과 표준 오차를 유도한다.
• 단조성에 대한 민감도 분 析을 위해, 단조성에서의 이탈 정도를 측정하는 민감도 파ram터 ξ를 도입한다.
• 주성분 점수 기반 가중치를 사용하여 결과 모형 가정에 의존하지 않고도 공변량 균형을 유지하고 추정 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 배제 제약 조건과 단조성이 가정될 수 없는 경우, 중간 변수가 존재하는 랜덤화 실험에서 어떻게 유효한 인과적 추론을 수행할 수 있는가?
• RQ2 주성분 군집 내 결과 분포에 대한 파arametric 모형을 가정하지 않고도 강건한 인과적 추론을 달성할 수 있는가?
• RQ3 사전 치료 공변량은 주성분 분할에서 무시 가능성을 확보하고 추정 효율성을 향상시키는 데 어떤 역할을 하는가?
• RQ4 단조성과 주성분 무시 가능성을 위반할 경우 인과 추정치의 민감도를 어떻게 평가할 수 있는가?
• RQ5 주성분 점수를 사용하여 안정적이고 모형에 종속되지 않은 추정량을 구성할 수 있으며, 혼합 모형에서의 무한대 가능도 문제를 피할 수 있는가?

주요 결과

• 제안된 주성분 점수 기반 가중치 방법은 결과 분포에 대한 파arametric 가정 없이도 주성분 군집 내 평균 인과 효과에 대해 유효하고 모형에 종속되지 않는 인과적 추론을 가능하게 한다.
• 단조성에 대한 민감도 분 析 결과, 생존자에 대한 평균 인과 효과(ACE_ss) 추정치는 민감도 파ram터 ξ의 타당한 값 범위에서 강건하게 유지되며, 구간 추정치는 일관되게 0을 포함한다.
• SWOG 전립선암 임상시험에서 치료군에서 '생존자' 군집의 추정 주성분 점수는 0.496, 대조군에서는 0.389였으며, 이는 중간 효과가 존재하나 비단조적임을 시사한다.
• 공변량 균형 검증 결과, 치료군 간 공변량 균형이 유지되어 있어, 무시 가능성을 뒷받침하는 타당성을 높인다.
• 정규 혼합 모형에서 발생하는 수치적 불안정성과 모형 민감도 문제를 피하여, 파arametric 가정이 의심스러운 경우 더 신뢰할 수 있는 대안을 제공한다.
• 이론적 결과는 예측 가능한 공변량을 포함할수록 추정 효율성이 향상됨을 보여주며, 실험 설계에서 풍부한 사전 치료 공변량을 수집하는 것이 중요하다는 것을 강화한다.