[논문 리뷰] Risk ratio, odds ratio, risk difference... Which causal measure is easier to generalize?

Bénédicte Colnet, Julie Josse외 2명|arXiv (Cornell University)|2023. 03. 28.

Advanced Causal Inference Techniques인용 수 9

한 줄 요약

논문은 비모수적 결과 모델에서 시작하여 서로 다른 인과 효과 척도(RD, RR, SR, NNT, OR)가 어떻게 인구에 일반화되는지 분석하고, 축소가능성(collapsibility)과 이질성(heterogeneity)을 명확히 하며 일반화가 결과 타입과 일반화 방법에 따라 달라짐을 보인다.

ABSTRACT

There are many measures to report so-called treatment or causal effects: absolute difference, ratio, odds ratio, number needed to treat, and so on. The choice of a measure, e.g. absolute versus relative, is often debated because it leads to different impressions of the benefit or risk of a treatment. Besides, different causal measures may lead to various treatment effect heterogeneity: some input variables may have an influence on some causal measures and no effect at all on others. In addition some measures -- but not all -- have appealing properties such as collapsibility, matching the intuition of a population summary. In this paper, we first review common causal measures and their pros and cons typically brought forward. Doing so, we clarify the notions of collapsibility and treatment effect heterogeneity, unifying existing definitions. Then, we show that for any causal measures there exists a discriminative model such that the conditional average treatment effect (CATE) captures the treatment effect. However, only the risk difference has its CATE and ATE (average treatment effect) disentangled from the baseline, regardless of the outcome type (continuous or binary). As our primary goal is the generalization of causal measures, we show that different sets of covariates are needed to generalize an effect to a target population depending on (i) the causal measure of interest, and (ii) the identification method chosen, that is generalizing either conditional outcome or local effects.

연구 동기 및 목표

• 축소가능성 및 이질성이 인과 척도의 일반화 가능성에 어떻게 연결되는지 명확히 한다.
• 공변량 중심 렌즈에서 치료 효과 이질성의 정의를 통합한다.
• 각 척도가 포착하는 것을 비모수 생성 모델 접근법으로 이해한다.
• 일부 척도는 일반화가 더 쉬우며 어떤 공변량이 필요한지 특징짓는다.
• 시뮬레이션과 임상 사례를 통해 발견을 시연한다.

제안 방법

• 일반적인 인과 척도(RD, RR, SR, OR, NNT)와 그 특성을 검토하고 비교한다.
• 효과의 일반화(전이성)와 축소가능성과의 관계를 정의한다.
• 전통적인 척도-우선의 추론을 뒤집어 결과를 비모수적으로 모델링하여 각 척도가 포착하는 것을 확인한다.
• 타깃 인구집단과 방법에 따라 일반화가 다른 공변량 집합을 보정해야 하는지를 분석한다.
• 다양한 시나리오에서 이질성과 일반화가 어떻게 작용하는지 시뮬레이션으로 입증한다.

실험 결과

연구 질문

• RQ1 어떤 인과 척도가 더 크거나 작게 축소가능하며 이것이 새로운 인구로의 일반화에 어떤 영향을 주는가?
• RQ2 결과의 비모수 생성 모델에서 시작하는 것이 공변량에 따른 치료 효과 이질성의 이해에 어떻게 바뀌는가?
• RQ3 각 척도와 일반화 방법에 대해 효과를 일반화하는 데 필요한 공변량은 어떤 것들인가(치료 효과 수정자 공변량 vs 예후 인자)?
• RQ4 결과의 특성(연속 vs 이진)과 일반화 방법(조건부 결과의 표준화 대 국부 효과)이 일반화에 어떤 영향을 미치는가?
• RQ5 임상 연구 및 전이 가능성 분석에서 척도 선택에 대해 어떤 실용적 시사점이 있는가?

주요 결과

• 다른 척도는 서로 다른 척도(절대적 대 상대적 해석)를 내포하며 인구 이동에 따라 다르게 반응한다.
• 축소가능성은 일반화와 연결되며, 축소가능한 척도만이 로컬 효과에서 모집단 효과를 간단히 재가중 재계산할 수 있다.
• 비모수적 결과 모델은 일부 공변량이 치료 효과 수정자로 작용하는 반면 다른 공변량은 기초 위험에 영향을 미친다는 것을 보여주며, 이 구분이 일반화를 이끈다.
• 일부 척도는 일반화 시 치료 효과 수정 공변량만 보정하면 되지만, 다른 척도는 더 넓은 예후 공변량을 보정해야 할 수 있다.
• 이 프레임워크는 치료 효과 이질성의 기존 정의를 하나로 통합하고, 이질성이 척도 선택과 대상 인구에 어떻게 연결되는지 명확히 한다.