[논문 리뷰] Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification

Hyun-Suk Lee, Yao Zhang외 4명|arXiv (Cornell University)|2020. 06. 14.

Advanced Causal Inference Techniques참고 문헌 28인용 수 8

한 줄 요약

이 논문은 임의의 개별 치료 효과(ITE) 추정기와 콫포멀 예측을 통한 불확실성 측정을 조합하는 강건한 재귀적 분할 방법인 R2P를 제안한다. R2P는 하위군 간 이질성과 하위군 내 동질성을 동시에 강제하여, 합성 및 반합성 데이터셋에서 최신 기법들보다 더 신뢰할 수 있는 하위군과 좁은 신뢰구간을 제공한다.

ABSTRACT

Subgroup analysis of treatment effects plays an important role in applications from medicine to public policy to recommender systems. It allows physicians (for example) to identify groups of patients for whom a given drug or treatment is likely to be effective and groups of patients for which it is not. Most of the current methods of subgroup analysis begin with a particular algorithm for estimating individualized treatment effects (ITE) and identify subgroups by maximizing the difference across subgroups of the average treatment effect in each subgroup. These approaches have several weaknesses: they rely on a particular algorithm for estimating ITE, they ignore (in)homogeneity within identified subgroups, and they do not produce good confidence estimates. This paper develops a new method for subgroup analysis, R2P, that addresses all these weaknesses. R2P uses an arbitrary, exogenously prescribed algorithm for estimating ITE and quantifies the uncertainty of the ITE estimation, using a construction that is more robust than other methods. Experiments using synthetic and semi-synthetic datasets (based on real data) demonstrate that R2P constructs partitions that are simultaneously more homogeneous within groups and more heterogeneous across groups than the partitions produced by other methods. Moreover, because R2P can employ any ITE estimator, it also produces much narrower confidence intervals with a prescribed coverage guarantee than other methods.

연구 동기 및 목표

• 특정 ITE 추정기에 의존하고 하위군 내 이질성을 忽시하는 기존 HTE 방법의 한계를 해결한다.
• ITE 추정기의 선택에 관계없이 유연한 하위군 분석 프레임워크를 개발한다.
• 거짓 발견을 줄이기 위해 하위군 내 강한 동질성을 확보하면서도, 하위군 간 이질성을 최대화한다.
• 칵포멀 예측을 이용해 각 하위군의 ITE 추정치에 대해 유효하고 좁은 신뢰구간을 제공한다.
• 의료 및 정책 적용 분야에서 신뢰할 수 있고 해석 가능하며 강건한 하위군 식별을 가능하게 한다.

제안 방법

• R2P는 임의의 외부에서 지정된 ITE 추정기(예: 랜덤 포레스트, 가우시안 프로세스, 딥러닝)를 사용해 개별 치료 효과를 추정한다.
• 하나의 새로운 기준에 기반한 재귀적 분할을 적용하여 하위군 간 이질성과 하위군 내 동질성을 균형 잡는다.
• 칵포멀 예측을 통해 ITE 추정치의 불확실성을 측정하고, 유한 표본에 대한 커버리지 보장을 갖는 유효한 예측구간을 생성한다.
• R2P는 '신뢰할 수 있는 동질성'을 강제하여, 하위군 내 치료 효과에 대한 예측구간이 좁고, 서로 다른 그룹 간에 겹치지 않도록 한다.
• 더 이상 동질성과 이질성 향상이 유의미하지 않을 때까지 인구집단을 재귀적으로 분할한다.
• 불확실성 측정을 분할 기준에 통합하여, 하위군이 뿐만 아니라 신뢰할 수 있는 추정치를 갖는다는 점을 보장한다.

실험 결과

연구 질문

• RQ1 ITE 추정기의 선택에 영향을 받지 않는 HTE를 위한 재귀적 분할 방법을 설계할 수 있는가?
• RQ2 하위군 내 이질성을 명시적으로 제어함으로써 하위군 식별에서 거짓 발견을 줄일 수 있는가?
• RQ3 분할 과정에 불확실성 측정을 통합하여, 유효하고 좁은 ITE 추정치의 신뢰구간을 생성할 수 있는가?
• RQ4 하나의 그룹 내 동질성과 다른 그룹 간 이질성을 동시에 강제하는 것이 기존 방법들에 비해 더 신뢰할 수 있고 해석 가능한 하위군을 도출하는 데 기여하는가?
• RQ5 R2P는 하위군 동질성, 이질성, 그리고 신뢰구간 너비 측면에서 최신 기법들보다 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• R2P는 합성 데이터셋 A에서 하위군 내 분산을 평균 89% 감소시키고, 합성 데이터셋 B에서는 95% 이상 감소시켜 강력한 내부 동질성을 입증한다.
• 반합성 데이터셋에서 R2P는 IHDP에서는 하위군 내 분산을 50% 이상, CPP에서는 30% 이상 감소시켜 다양한 데이터 유형에서의 강건한 성능을 확인한다.
• R2P는 기준선 방법들보다 유의미하게 좁은 신뢰구간을 생성하면서도 지정된 커버리지 유지하여, ITE 추정치의 정밀도를 향상시킨다.
• 모든 실험에서 R2P는 예측된 치료 효과 분포가 겹치지 않거나 명확히 구분되는 하위군을 식별했고, 기준선 방법들은 자주 거짓 발견을 유발했다.
• 모든 지표에서 R2P는 기준선 방법들을 모두 압도했으며, 하위군 간 이질성, 하위군 내 동질성, 그리고 신뢰구간 너비 측면에서 모두 뛰어난 성능을 보였다.
• R2P가 임의의 ITE 추정기를 사용할 수 있다는 점은 향후 추정 기술의 발전을 무시하지 않고도 하위군 탐색 과정을 재설계하지 않아도 된다는 점에서 유리하다.