[논문 리뷰] Semiparametric Proximal Causal Inference

Yifan Cui, Hongming Pu외 3명|arXiv (Cornell University)|2020. 11. 17.

Advanced Causal Inference Techniques참고 문헌 41인용 수 18

한 줄 요약

이 논문은 측정되지 않은 교란 요인을 고려하여 치료 및 결과의 대체 측정값을 활용함으로써 비모수적이고 효율적인 평균 치료 효과의 식별과 추정을 가능하게 하는 반모수적 이론을 개발한다. 비모수적 식별, 효율성 경계, 이중로버스트 추정량을 확립하며, 시뮬레이션과 실재 ICU 연구에서 표준 방법보다 향상된 성능을 보여준다.

ABSTRACT

Skepticism about the assumption of no unmeasured confounding, also known as exchangeability, is often warranted in making causal inferences from observational data; because exchangeability hinges on an investigator's ability to accurately measure covariates that capture all potential sources of confounding. In practice, the most one can hope for is that covariate measurements are at best proxies of the true underlying confounding mechanism operating in a given observational study. In this paper, we consider the framework of proximal causal inference introduced by Miao et al. (2018); Tchetgen Tchetgen et al. (2020), which while explicitly acknowledging covariate measurements as imperfect proxies of confounding mechanisms, offers an opportunity to learn about causal effects in settings where exchangeability on the basis of measured covariates fails. We make a number of contributions to proximal inference including (i) an alternative set of conditions for nonparametric proximal identification of the average treatment effect; (ii) general semiparametric theory for proximal estimation of the average treatment effect including efficiency bounds for key semiparametric models of interest; (iii) a characterization of proximal doubly robust and locally efficient estimators of the average treatment effect. Moreover, we provide analogous identification and efficiency results for the average treatment effect on the treated. Our approach is illustrated via simulation studies and a data application on evaluating the effectiveness of right heart catheterization in the intensive care unit of critically ill patients.

연구 동기 및 목표

• 측정된 공변량이 진정한 교란 요인의 대체 측정값에 불과한 관찰 연구에서 측정되지 않은 교란 요인 문제를 다루는 것.
• 근접 식별 가정 하에 평균 치료 효과를 식별하고 추정하기 위한 일반적인 반모수적 프레임워크를 개발하는 것.
• 근접 원인 분석을 위한 효율성 경계를 도출하고, 이중로버스트 및 국소적으로 효율적인 추정량을 구성하는 것.
• 프레임워크를 치료 대상에 대한 평균 치료 효과(ATT)로 확장하여 정책 관련 추정량에 대한 적용 범위를 넓히는 것.

제안 방법

• 치료 및 결과의 대체 측정값을 사용하여 평균 치료 효과의 근접 식별을 위한 새로운 비모수적 조건 세트를 제안한다.
• 효율적 영향 함수와 주요 모델에 대한 점근적 분산 경계를 포함한 일반적인 반모수 이론을 개발한다.
• 결과 모델이나 성향 스코어 모델 중 하나만 올바르게 특정되어도 일관성을 유지하는 근접 이중로버스트 및 국소적으로 효율적인 추정량을 특성화한다.
• 더 높은 내구성을 확보하기 위해 새로운 근접 IPW(PIPW) 추정량과 근접 이중로버스트(PDR) 추정량을 도입한다.
• 다양한 모형 오특성 상황과 대체 측정값의 강도 변화 상황에서 성능을 평가하기 위해 시뮬레이션 연구를 수행한다.
• 실제 데이터 세트를 활용하여 중증 환자에서의 우측 심장 카테터 삽입에 대한 적용을 수행하며, 대체 측정값 선택에 대한 민감도를 평가한다.

실험 결과

연구 질문

• RQ1 기본 교환 가능성 가정보다 더 약한 가정 하에서도 근접 원인 분석이 비모수적으로 식별될 수 있는가?
• RQ2 근접 추정량의 평균 치료 효과에 대한 반모수적 효율성 경계는 무엇인가?
• RQ3 근접 이중로버스트 및 국소적으로 효율적인 추정량은 어떻게 구성할 수 있으며, 그 유한 표본 성질은 어떠한가?
• RQ4 모형 오특성 상황에서 표준 이중로버스트 방법에 비해 근접 프레임워크가 추정 정확도와 신뢰구간 커버리지에 개선을 이끌 수 있는가?
• RQ5 실제 응용에서 근접 추정량은 대체 측정값 선택에 얼마나 민감한가?

주요 결과

• 모형 오특성 상황에서 시뮬레이션 시나리오에서 근접 추정량, 특히 PDR과 POR는 표준 이중로버스트 추정량에 비해 훨씬 우수한 편향과 커버리지 성능을 보였다.
• 시나리오 1에서 근접 PDR 추정량은 96.8%의 커버리지와 평균 제곱오차(MSE) 1.0을 기록했으며, 표준 DR 추정량(22.4% 커버리지, MSE 0.6)을 뛰어넘었다.
• 대체 측정값의 강도가 감소했을 때(σwz = 0.15), 근접 추정량은 여전히 경쟁력 있는 성능을 유지했으며, 시나리오 4에서 PDR은 88.8%의 커버리지 유지를 기록했고, 표준 DR은 20.2%로 떨어졌다.
• 실제 데이터 응용에서 paco21을 유일한 대체 측정값으로 사용했을 경우 근접 추정량이 크게 변동하여, 이는 약한 또는 잘못 지정된 교란 요인 대체 측정값일 수 있음을 시사했다.
• 시나리오 3에서 근접 IPW 추정량은 양의 추정치(0.41, 95% 신뢰구간: -0.07, 0.90)를 보였지만 유의미하지 않았으며, 대체 측정값이 약할 경우 모형 오특성이 발생할 수 있음을 시사했다.
• 민감도 분석을 통해 대체 측정값 선택이 결과에 결정적인 영향을 미치는 것으로 확인되었으며, pafi1을 대체 측정값으로 사용할 경우 안정된 추정치를 얻었고, paco21을 사용할 경우 발산하고 신뢰도가 낮은 추정치를 얻었다.