[논문 리뷰] Sensitivity Analysis Without Assumptions

Peng Ding, Tyler J. VanderWeele|arXiv (Cornell University)|2015. 07. 14.

Advanced Causal Inference Techniques참고 문헌 17인용 수 12

한 줄 요약

이 논문은 측정되지 않은 혼란인자에 대한 강력한 가정(예: 이진 상태, 상호작용 없음, 단일 혼란인자 등)이 필요 없음에도 불구하고 기존 방법보다 더 보수적이지 않은 경계 요인을 도출하는 인과적 추론을 위한 새로운 민감도 분석 방법을 제안한다. 핵심 기여는 두 민감도 파rameter를 포함하는 날카운 불등식으로, 이는 최대 혼란 효과를 정량화하여 측정되지 않은 혼란인자가 관측된 효과를 얼마나 설명할 수 있는지에 대한 강력한 평가를 가능하게 한다.

ABSTRACT

Unmeasured confounding may undermine the validity of causal inference with observational studies. Sensitivity analysis provides an attractive way to partially circumvent this issue by assessing the potential influence of unmeasured confounding on the causal conclusions. However, previous sensitivity analysis approaches often make strong and untestable assumptions such as having a confounder that is binary, or having no interaction between the effects of the exposure and the confounder on the outcome, or having only one confounder. Without imposing any assumptions on the confounder or confounders, we derive a bounding factor and a sharp inequality such that the sensitivity analysis parameters must satisfy the inequality if an unmeasured confounder is to explain away the observed effect estimate or reduce it to a particular level. Our approach is easy to implement and involves only two sensitivity parameters. Surprisingly, our bounding factor, which makes no simplifying assumptions, is no more conservative than a number of previous sensitivity analysis techniques that do make assumptions. Our new bounding factor implies not only the traditional Cornfield conditions that both the relative risk of the exposure on the confounder and that of the confounder on the outcome must satisfy, but also a high threshold that the maximum of these relative risks must satisfy. Furthermore, this new bounding factor can be viewed as a measure of the strength of confounding between the exposure and the outcome induced by a confounder.

연구 동기 및 목표

• 이진 혼란인자, 상호작용 없음, 단일 혼란인자 등의 강력하고 검증할 수 없는 가정에 의존하는 전통적 민감도 분석 방법의 한계를 해결하기 위해.
• 측정되지 않은 혼란인자에 대한 구조적 가정을 부과하지 않더라도 유효하고 강력한 민감도 분석 프레임워크를 개발하기 위해.
• 모든 측정되지 않은 혼란인자 구성 조건 하에서 가능한 최대 혼란 효과를 정량화하는 날카운 비보수 경계 요인을 유도하기 위해.
• 이를 이진 결과 이외의 결과(예: 카운트, 연속 변수)로 확장하여 동일한 이론적 보장을 유지하기 위해.
• 제한적인 모델링 가정에 의존하지 않고 연구자가 인과적 결론이 측정되지 않은 혼란인자에 대해 얼마나 견고한지 평가할 수 있는 실용적 도구를 제공하기 위해.

제안 방법

• 측정되지 않은 혼란인자에 대한 경계 요인 $\textsc{BF}_{U} = \frac{\textsc{RR}_{EU} \times \textsc{MR}_{UD}}{\textsc{RR}_{EU} + \textsc{MR}_{UD} - 1}$ 를 제안하며, 여기서 $\textsc{RR}_{EU}$ 는 노출이 혼란인자에 미치는 상대위험도이고 $\textsc{MR}_{UD}$ 는 혼란인자가 결과에 미치는 최대 평균비율이다.
• 측정되지 않은 혼란인자가 관측된 연관성을 설명할 수 있다면, 관측된 상대위험비는 이 경계 요인으로 제한되어야 한다는 날카운 불등식을 도출한다.
• 이론적 보장을 유지하면서 비율 척도 측정치(예: 상대위험도)와 차이 척도 측정치(예: 위험도 차이)에 모두 적용하여 이진, 카운트, 연속 결과에 대해 적용한다.
• 노출 및 혼란인자 군집 조건 하에서의 조건부 기대값으로서 $r(u)$ 와 $r^*(u)$ 의 정의를 수정하여 시간-이벤트 결과에 대한 방법을 확장한다.
• 역사적 가정 프레임워크를 사용하여 경계 요인을 측정되지 않은 혼란인자가 유도하는 혼란의 강도로 해석한다.
• 이 방법이 고전적인 Cornfield 조건을 함의하며, 두 상대위험도 중 최대값이 임계값을 충족해야 한다는 더 강력한 조건을 함의함을 보여준다.

실험 결과

연구 질문

• RQ1 노출과 혼란인자 간의 상호작용 없음 또는 이진 혼란인자라는 가정 없이 측정되지 않은 혼란인자에 대한 민감도 분석을 어떻게 수행할 수 있는가?
• RQ2 특정 구조를 가진 측정되지 않은 혼란인자에 대한 가정 없이도 관측된 인과 효과를 설명할 수 있는 혼란의 크기의 가장 날카운 가능한 경계는 무엇인가?
• RQ3 가정이 없는 민감도 분석 방법이 강력한 단순화 가정에 의존하는 방법만큼 정밀할 수 있는가?
• RQ4 제안된 경계 요인은 고전적인 Cornfield 조건과 어떻게 관련이 있으며, 더 강력한 조건을 함의하는가?
• RQ5 이 방법은 카운트나 연속 변수와 같은 비이진 결과로 일반화될 수 있으며, 이론적 성질을 유지할 수 있는가?

주요 결과

• 제안된 경계 요인 $\textsc{BF}_{U}$ 는 이진 혼란인자, 상호작용 없음, 단일 혼란인자라는 가정이 없음에도 불구하고, 이와 같은 가정을 하는 기존 방법보다 더 보수적이지 않다.
• 이 방법은 고전적인 Cornfield 조건을 함의한다: 노출이 혼란인자에 미치는 상대위험도와 혼란인자가 결과에 미치는 상대위험도가 모두 관측된 효과를 설명하기 위해 충분히 높아야 한다.
• Cornfield 조건을 초월하여, 이 방법은 두 상대위험도 중 최대값이 임계값을 충족해야 한다는 더 강력한 조건을 함의함으로써, 타당한 혼란의 정도에 대한 더 견고한 제약 조건을 제공한다.
• 비음수 결과(카운트, 연속)의 경우, 동일한 이론적 보장을 유지하면서 평균비율 $\textsc{MR}_{UD|E=1}$ 과 $\textsc{MR}_{UD|E=0}$ 을 사용하여 경계 요인을 확장한다.
• 동일한 가정 하에서, 차이 척도의 평균 인과 효과에 대한 하한을 제공한다. 예를 들어 $\textsc{ACE}^\text{true}_{ED+} \geq m_1 - m_0 \times \textsc{BF}_U$.
• 연구자가 다양한 수준의 측정되지 않은 혼란인자 하에서 진짜 인과 효과가 무엇일 수 있는지 평가할 수 있도록 허용함으로써, 귀무가설 뿐 아니라 대안가설 하에서도 민감도 분석이 가능하다.