[논문 리뷰] Simple Sensitivity Analysis for Differential Measurement Error

Tyler J. VanderWeele, Yige Li|arXiv (Cornell University)|2018. 11. 01.

Probabilistic and Robust Engineering Design참고 문헌 11인용 수 3

한 줄 요약

이 논문은 노출 또는 결과에서의 미분 측정 오차에 대해 간단한 민감도 분석 방법을 제시하며, 진짜 인과 효과를 봉인하기 위해 위험비를 사용한다. 진짜 위험비는 관측된 연관성과 미분 측정 오차의 최대 강도로 나눈 값보다 크거나 같아야 한다는 것을 보여준다. 이 최대 강도는 통제된 직접 효과 또는 오차가 발생한 변수에서의 조건부 효과를 통해 평가된다.

ABSTRACT

Simple sensitivity analysis results are given for differential measurement error of either the exposure or the outcome. In the case of differential measurement error of the outcome it is shown that the true effect of the exposure on the outcome on the risk ratio scale must be at least as large as the observed association between the exposure and the mis-measured outcome divided by the maximum strength of differential measurement error, assessed as the risk ratio of the controlled direct effect of the exposure on mis-measured outcome not through the true outcome. In the case of differential measurement error of the exposure it is shown that the true effect on the risk ratio scale of the exposure on the outcome must be at least as large as the observed association between the mis-measured exposure measurement and the outcome divided by the maximum strength of differential measurement error, assessed as the risk ratio of the effect of the outcome on mis-measured exposure measurement conditional on the true exposure. The results can also be immediately used to indicate the minimum strength of differential measurement error that would be needed to explain away an observed association between an exposure measurement and an outcome measurement.

연구 동기 및 목표

• epidemiological 및 통계 연구에서의 미분 측정 오차에 대한 접근하기 쉬운 민감도 분석 도구를 개발하기 위해.
• 노출 또는 결과의 비대칭 오분류로 인한 측정되지 않은 혼란 요인 문제를 다루기 위해.
• 관측 가능한 데이터와 측정 오차에 대한 합리적인 가정을 바탕으로 참 인과 효과에 대한 해석 가능한 봉인을 제공하기 위해.
• 연구자가 관측된 연관성을 설명하기 위해 얼마나 강한 미분 측정 오차가 필요할지 평가할 수 있도록 하기 위해.

제안 방법

• 노출 및 결과 오분류에서의 미분 측정 오차 강도를 정량화하기 위해 위험비를 사용한다.
• 결과 오분류의 경우, 진짜 결과를 통해가 아닌 오차가 발생한 결과에 대한 노출의 통제된 직접 효과를 바탕으로 봉인을 유도한다.
• 노출 오분류의 경우, 진짜 노출에 조건부하여 결과가 오차가 발생한 노출에 미치는 영향의 위험비를 바탕으로 봉인을 유도한다.
• 이러한 봉인을 적용하여 관측된 연관성을 설명하기 위해 필요한 최소한의 미분 오차 강도를 계산한다.
• 진짜 노출, 진짜 결과 및 그 오차가 발생한 대응 변수들 사이의 관계를 정형화하기 위해 구조적 인과 모델을 사용한다.
• 시뮬레이션 없이도 쉽게 구현할 수 있는 닫힌 형태의 민감도 봉인을 제공한다.

실험 결과

연구 질문

• RQ1 연구자가 결과에서의 미분 측정 오차에 대해 관측된 연관성의 강건성을 어떻게 평가할 수 있는가?
• RQ2 노출과 결과 사이의 관측된 연관성을 완전히 설명하기 위해 필요한 최소한의 미분 측정 오차 강도는 얼마인가?
• RQ3 노출의 비대칭 오분류는 위험비 척도에서 관측된 연관성의 해석에 어떻게 영향을 미치는가?
• RQ4 미분 측정 오차 하에서 참 인과 효과에 대해 단순하고 해석 가능한 봉인을 도출할 수 있는가?
• RQ5 통제된 직접 효과와 조건부 효과는 미분 오차에 대한 민감도 분석에서 어떤 역할을 하는가?

주요 결과

• 노출이 결과에 미치는 진짜 위험비는 관측된 연관성과 오차가 발생한 결과에 대한 노출의 연관성, 그리고 최대 강도의 미분 측정 오차로 나눈 값보다 크거나 같아야 한다.
• 결과 오분류의 경우, 최대 강도의 미분 오차는 진짜 결과를 통해가 아닌 오차가 발생한 결과에 대한 노출의 통제된 직접 효과의 위험비로 측정된다.
• 노출 오분류의 경우, 최대 강도의 미분 오차는 진짜 노출에 조건부하여 결과가 오차가 발생한 노출에 미치는 영향의 위험비로 측정된다.
• 이 방법은 관측된 연관성을 설명하기 위해 필요한 최소한의 미분 오차 강도를 직접 계산할 수 있는 방법을 제공한다.
• 이 봉인은 위험비 척도에서 유효하며, 복잡한 모델링이나 시뮬레이션 없이도 해석 가능하다.
• 이 접근법은 노출과 결과의 오분류 모두에 적용 가능하여, 미분 오차 하에서 민감도 분석에 대한 통합된 프레임워크를 제공한다.