[논문 리뷰] Sequential Double Robustness in Right-Censored Longitudinal Models

Alexander R. Luedtke, Oleg Sofrygin외 2명|arXiv (Cornell University)|2017. 05. 06.

Advanced Causal Inference Techniques참고 문헌 30인용 수 8

한 줄 요약

이 논문은 우측으로 캐논된 상황에서 종단적 G-공식 추정을 위한 반복적 대상 최소 손실 기반 추정법(iTMLE)을 제안한다. 이 방법은 각 시간점에서 결과 회귀 또는 치료 메커니즘 중 하나가 일致하게 추정될 경우 일致성을 확보함으로써 순차적 이중로버스트성을 달성한다. 데이터 적응형 추정과 무한차원 대상 설정을 통해 유한표본 성능을 향상시키고 수렴 속도를 높여 기존 방법들보다 시뮬레이션에서 뛰어난 성능을 보인다.

ABSTRACT

Consider estimating the G-formula for the counterfactual mean outcome under a given treatment regime in a longitudinal study. Bang and Robins provided an estimator for this quantity that relies on a sequential regression formulation of this parameter. This approach is doubly robust in that it is consistent if either the outcome regressions or the treatment mechanisms are consistently estimated. We define a stronger notion of double robustness, termed sequential double robustness, for estimators of the longitudinal G-formula. The definition emerges naturally from a more general definition of sequential double robustness for the outcome regression estimators. An outcome regression estimator is sequentially doubly robust (SDR) if, at each subsequent time point, either the outcome regression or the treatment mechanism is consistently estimated. This form of robustness is exactly what one would anticipate is attainable by studying the remainder term of a first-order expansion of the G-formula parameter. We show that a particular implementation of an existing procedure is SDR. We also introduce a novel SDR estimator, whose development involves a novel translation of ideas used in targeted minimum loss-based estimation to the infinite-dimensional setting.

연구 동기 및 목표

• 우측 캐논된 결과를 가진 종단적 연구에서의 균형 G-공식에 대해 더 견고한 추정기법을 개발하기 위해.
• 이중로버스트성 개념을 순차적 프레임워크로 공식화하고 확장하여, 각 시간점에서 결과 회귀 또는 치료 메커니즘이 일치하게 추정될 경우 일치성이 유지되도록 하기 위해.
• 우측 캐논이 있는 종단적 설정에서 결과 회귀 추정기의 유한표본 행동과 수렴 속도를 향상시키기 위해.
• 경로에 따라 미분 가능하지 않은 무한차원 매개변수로의 대상 최소 손실 기반 추정(TMLE)을 확장하여 복잡한 종단적 모델에서 더 나은 추정을 가능하게 하기 위해.
• 이론적으로 탄탄하고 데이터 적응형인 방법을 제공하여 결과의 알려진 범위를 존중하고 추론에서 명목 수준의 커버리지 유지하기 위해.

제안 방법

• 역순 시간 순서로 결과 회귀를 업데이트함으로써 순차적 이중로버스트성을 활용하는 반복적 대상 최소 손실 기반 추정기(iTMLE)를 개발한다.
• 과적합을 줄이기 위해 교차검증 기반 선택을 사용하는 경험적 위험 최소화(ERM)를 결과 회귀 및 치료 메커니즘 추정에 적용한다.
• 시간별 결과 회귀 추정에서 경로에 따라 미분 가능하지 않은 매개변수를 다루기 위해 국소 선형 회귀 기반의 새로운 무한차원 대상 설정 단계를 적용한다.
• 다양한 기계학습 알고리즘(예: GBMs, 로지스틱 회귀)을 사용한 슈퍼러닝 앙상블을 활용하여 추정 효율성과 견고성을 향상시킨다.
• 예측 확률이 [0,1] 외부에 있을 경우 추정을 안정화하기 위해 DR-변환된 결과 접근법을 구현하며, xgboost를 이러한 값을 처리할 수 있도록 수정한다.
• 최적의 학습기 조합을 선택하기 위해 대상 단계에서 교차검증 기반의 설계를 사용하여 견고성과 유한표본 성능을 확보한다.

실험 결과

연구 질문

• RQ1 각 시간점에서 결과 회귀 또는 치료 메커니즘이 일치하게 추정될 경우 일치성이 유지되는 종단적 G-공식에 대해 순차적 이중로버스트 추정기구를 구성할 수 있는가?
• RQ2 우측 캐논이 있는 종단적 모델에서 대상 최소 손실 기반 추정이 무한차원 매개변수로 어떻게 확장될 수 있는가?
• RQ3 데이터 적응형 추정과 반복적 대상 설정이 G-공식 추정기의 유한표본 성능에 어떤 영향을 미치는가?
• RQ4 제안된 iTMLE는 LTMLE, DR Transform 등의 기존 방법들과 비교해 편향, 평균제곱오차, 신뢰구간 커버리지 측면에서 어떻게 성능을 보이는가?
• RQ5 새로운 추정기법은 결과의 알려진 범위(예: [0,1])를 존중하면서도 견고성과 효율성을 유지할 수 있는가?

주요 결과

• iTMLE 방법은 순차적 이중로버스트성을 달성하며, 후행 시간의 결과 회귀가 잘못 지정된 시뮬레이션 상황에서 직접 플러그인 및 LTMLE보다 상대적 평균제곱오차(MSE)가 낮게 나타났다.
• 시뮬레이션 1의 Qi.gc 상황에서 iTMLE는 DR Transform보다 낮은 MSE를 보였지만, Qc.gi 및 QSDR.gSDR 상황에서는 DR Transform이 더 뛰어난 성능을 보였다.
• 95% 신뢰구간의 커버리지 측면에서 iTMLE와 DR Transform은 거의 명목 수준의 커버리지(약 95%)를 달성했으며, LTMLE는 QSDR.gSDR 상황에서 약 85%의 커버리지에 머물렀다.
• iTMLE, DR Transform, LTMLE 간의 평균 신뢰구간 폭은 유사하여 유사한 정밀도를 보였지만, 커버리지에 차이가 있었다.
• 반복적이고 데이터 적응형 대상 설정을 통해 모델 복잡성과 차원의 복잡성을 더 잘 다루었기 때문에 제안된 방법은 개선된 유한표본 행동을 보였다.
• 국소 선형 회귀 기반의 대상 설정을 통해 TMLE를 경로에 따라 미분 가능하지 않은 무한차원 매개변수로 확장함으로써 종단적 설정에서 더 빠른 수렴 속도와 향상된 견고성을 달성할 수 있었다.