[논문 리뷰] Residual Balancing Weights for Marginal Structural Models: with Application to Analyses of Time-varying Treatments and Causal Mediation

Xiang Zhou, Geoffrey T. Wodtke|arXiv (Cornell University)|2018. 07. 28.

Advanced Causal Inference Techniques참고 문헌 17인용 수 3

한 줄 요약

이 논문은 여유 평형 가중치를 도입하여 마진 구조 모델(MSM)의 성능을 향상시킨다. 이는 노출 분포를 모델링하는 대신 치료 유도형 혼란 변수의 평균을 모델링하여, 역확률가중치(IPW)에 비해 더 강건하고 효율적인 대안을 제공한다. 이는 시간에 따라 변화하는 치료 및 중재 분석에서 특히 연속형 노출이 있는 경우 성능을 향상시키며, 시뮬레이션을 통해 유한 표본 성질과 모형 오_SPECIFICATION에 대한 내성도가 뛰어나다.

ABSTRACT

Treatment-induced confounding arises in analyses of time-varying treatments and also causal mediation where post-treatment variables affect both the mediator and outcome. In such settings, researchers often use marginal structural models (MSMs) with inverse probability weighting (IPW). However, IPW requires models for the conditional distributions of exposure to treatment and/or a mediator and is highly sensitive to their misspecification. Moreover, IPW is relatively inefficient, susceptible to finite-sample bias, and difficult to use with continuous exposures. We introduce an alternative method of constructing weights for MSMs, which we call balancing. In contrast to IPW, it requires modeling the conditional means of the treatment-induced confounders rather than the conditional distributions of exposure to treatment and/or a mediator, and it is therefore easier to use with continuous exposures. Using numeric simulations, we show that residual balancing is both more efficient and more robust to model misspecification compared with IPW and its variants. We illustrate the method by estimating (a) the cumulative effect of negative advertising on election outcomes and (b) the controlled direct effect of exposure to an impoverished neighborhood on child academic achievement while controlling for classroom size in a child's school. Open source software is available for implementing the proposed method.

연구 동기 및 목표

• 역확률가중치(IPW)의 한계를 해결하기 위해 마진 구조 모델에서의 모형 오_SPECIFICATION에 민감하고 유한 표본에서 비효율적인 문제를 다루기.
• 치료 유도형 혼란 변수가 중재자와 결과에 모두 영향을 주는 시간에 따라 변화하는 치료 및 인과 중재 분석에서의 과제를 해결하기.
• 노출 조건부 평균을 모델링함으로써 노출 분포를 모델링할 필요 없이 연속형 노출에 대한 가중치 계산을 단순화하는 방법 개발하기.
• 모형 오_SPECIFICATION 및 작은 표본 크기에서 마진 구조 모델의 추정 효율성과 강건성을 향상시키기.
• 복잡한 치료 역학을 포함한 인과 추론 환경에서 실용적이고 오픈소스로 구현된 도구를 제공하기.

제안 방법

• 치료 유도형 혼란 변수의 평균을 치료 그룹 간에 균형화하는 잔차 평형 가중치를 제안하여 노출 메커니즘 모델링의 필요성을 제거한다.
• 공변량을 조정한 후 잔차 불균형을 최소화하는 손실 함수를 사용하여 가중치를 구성하며, 이는 불균형을 방지하는 데 보상한다.
• 노출 또는 중재의 조건부 분포를 모델링할 필요 없이, 혼란 변수 평균을 공변량에 대한 회귀 분석을 통해 가중치를 추정한다.
• 결과 가중치를 마진 구조 모델에 적용하여 누적 치료 효과나 통제된 직접 효과와 같은 평균 인과 효과를 추정한다.
• 두 단계 추정 절차를 사용한다: 첫 번째로, 민감한 모델을 사용하여 혼란 변수 평균을 추정하고, 두 번째로, 치료 수준 간에 이러한 평균을 균형화하는 가중치를 유도한다.
• 전통적 IPW가 노출 또는 중재의 밀도를 모델링해야 하는 점을 고려해, 연속형 노출에서도 사용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 모형 오_SPECIFICATION 하에서 인과 효과를 추정할 때 잔차 평형 가중치와 IPW의 편향과 효율성은 어떻게 비교되는가?
• RQ2 잔차 평형 가중치는 IPW가 구현하기 어려운 연속형 노출을 효과적으로 다룰 수 있는가?
• RQ3 시간에 따라 변화하는 치료 및 치료 후 혼란 변수가 존재하는 설정에서 잔차 평형 가중치의 성능은 어떠한가?
• RQ4 잔차 평형 가중치는 인과 중재 분석에서 통제된 직접 효과를 얼마나 잘 추정하는가?
• RQ5 작은 또는 중간 크기의 표본 크기에서 잔차 평형 가중치는 좋은 유한 표본 성질을 유지하는가?

주요 결과

• 잔차 평형 가중치는 특히 모형 오_SPECIFICATION 하에서, IPW 및 그 변종보다 더 낮은 편향과 높은 효율성을 보였다.
• IPW가 노출 또는 중재 분포를 정확히 모델링하는 데 의존하는 데 비해, 잔차 평형 가중치는 혼란 변수 모형의 오_SPECIFICATION에 더 강건한 것으로 나타났다.
• 전통적 IPW가 종종 실현 가능하거나 안정적이지 않은 연속형 노출에서도 잔차 평형 가중치가 신뢰할 수 있는 추정을 가능하게 하였다.
• 시뮬레이션 결과, 노출 모형이 오_SPECIFICATION되었을 경우에도 잔차 평형 가중치는 양호한 커버리지와 정밀도를 유지하였다.
• 잔차 평형 가중치는 중재 설정에서 누적 치료 효과와 통제된 직접 효과를 추정하는 데서 IPW를 능가하는 성능을 보였다.
• 실용적인 적용을 위해 오픈소스 구현체가 개발되고 검증되었으며, 적용 연구자들이 인과 추론 연구에 쉽게 활용할 수 있도록 하였다.