[논문 리뷰] Spatial causal inference in the presence of unmeasured confounding and interference

Georgia Papadogeorgou, Srijata Samanta|arXiv (Cornell University)|2023. 03. 14.

Spatial and Panel Data Analysis인용 수 4

한 줄 요약

이 논문은 관찰된 공간 데이터에서 간섭과 측정되지 않은 공간적 혼란인자를 함께 모델링하는 베이지안 공간 인과추론 프레임워크를 제안한다. 공간 랜덤 효과와 노출 모델을 통합함으로써, 혼란인자가 측정되지 않은 상태이거나 공간적 의존성이 존재하는 경우에도 인과효과를 식별할 수 있으며, 모수 식별성은 증명하고 시뮬레이션 및 미국 주의 소득 수준에서의 SO₂ 배출과 심혈관계 사망률 간 분석에서 기존 방법보다 향상된 추론 성능을 보여준다.

ABSTRACT

This manuscript unites causal inference and spatial statistics, presenting novel insights for causal inference in spatial data analysis, and drawing from tools in spatial statistics to estimate causal effects. We introduce spatial causal graphs to highlight that spatial confounding and interference can be entangled, in that investigating the presence of one can lead to wrongful conclusions in the presence of the other. Moreover, we show that spatial dependence in the exposure variable can render standard analyses invalid. To remedy these issues, we propose a Bayesian parametric approach based on tools commonly-used in spatial statistics. This approach simultaneously accounts for interference and mitigates bias from local and neighborhood unmeasured spatial confounding. From a Bayesian perspective, we show that incorporating an exposure model is necessary. Under a specific model formulation, we prove that all parameters are identifiable including the causal effects, even in the presence of unmeasured confounding. We illustrate the approach with a simulation study. We evaluate the effect of local and neighboring sulfur dioxide emissions from power plants on county-level cardiovascular mortality from observational spatial data in the United States, where unmeasured spatial confounding and interference might be present simultaneously.

연구 동기 및 목표

• 공간 데이터에서 공간적 간섭과 측정되지 않은 공간적 혼란인자라는 복합적인 과제를 해결하기 위해.
• 한 가지(예: 간섭)만 모델링하고 다른 하나(예: 혼란인자)는 忽시할 경우 잘못된 인과적 결론에 이르게 될 수 있음을 보여주기 위해.
• 동시에 간섭과 지역 및 이웃 지역의 측정되지 않은 공간적 혼란인자를 보정하는 베이지안 매개수 모델을 개발하기 위해.
• 측정되지 않은 혼란인자가 존재하더라도 공간적 의존성이 있을 경우에도 모든 모델 모수의 이론적 식별성을 확립하기 위해.
• 시뮬레이션 연구와 미국 주의 SO₂ 배출과 심혈관계 사망률 간의 실제 사례 연구를 통해 방법의 성능을 평가하기 위해.

제안 방법

• 측정되지 않은 공간적 혼란인자를 캐치하기 위해 공간 랜덤 효과를 포함하는 베이지안 계층 모델을 제안한다.
• 이웃 수준의 노출 효과를 고려하기 위해 공간 노출 모델을 사용하여 간섭 효과 추정을 가능하게 한다.
• 공간 간섭과 혼란인자 간의 얽힘 관계를 비주얼라이즈하고 분석하기 위해 공간 인과 그래프를 도입한다.
• 적절한 사전분포를 사용하여 우도 기반 프레임워크를 적용함으로써 사후 추론과 모수 식별성을 보장한다.
• 이차 이웃 행렬을 사용하여 이웃의 이웃까지의 영향을 고려한 노출 영역을 정의한다.
• 사후 분포 계산과 불확실성 정량화를 위해 마르코프 체인 몬테카를로(MCMC) 방법을 적용한다.

실험 결과

연구 질문

• RQ1 공간적 간섭과 측정되지 않은 공간적 혼란인자가 서로 얽혀 있을 경우, 한 가지만 모델링하면 잘못된 인과적 결론에 이르게 되는가?
• RQ2 노출 변수의 공간적 의존성이 기존 인과추론 추정기의 타당성에 어떤 영향을 미치는가?
• RQ3 측정되지 않은 공간적 혼란인자와 간섭을 함께 고려하면서도 모수 식별성이 보장되는 베이지안 공간 모델을 개발할 수 있는가?
• RQ4 공간적 의존성과 측정되지 않은 혼란인자가 존재할 경우, 제안된 방법이 표준 OLS에 비해 지역 효과와 간섭 효과 추정 성능에서 어떻게 다른가?
• RQ5 기상 변수의 포함 여부가 실제 공간 데이터에서 인과효과 추정에 어느 정도 영향을 미치는가?

주요 결과

• 제안된 베이지안 모델은 측정되지 않은 공간적 혼란인자와 노출 의존성이 존재할 경우 OLS에 비해 지역 효과 및 간섭 효과 추정의 편향을 크게 감소시킨다.
• 시뮬레이션 연구에서 간섭이나 혼란인자가 존재할 경우 표준 OLS 추정기는 95퍼센트 신뢰구간의 커버리지가 열악한 반면, 제안된 방법은 적절한 커버리지를 유지함을 보였다.
• 사례 연구에서 모델은 이산화황 배출이 심혈관계 사망률에 정적인 인과효과를 유추하였으며, 공간적 의존성과 측정되지 않은 혼란인자로 인한 불확실성을 반영한 신뢰구간을 제공하였다.
• 기상 변수의 포함 여부가 OLS 추정에 미치는 영향은 미미하였으며, 이는 모델 내에서 민족·인구통계학적 변수와 배출 변수가 결과의 변동성에 지배적인 영향을 미친다는 것을 시사한다.
• 이론적 분석을 통해 간섭 및 혼란인자와 관련된 모든 모수 식별성이 측정되지 않은 공간적 혼란인자가 존재하더라도 보장됨을 입증하였다.
• 공간 인과 그래프 분석을 통해 간섭 또는 혼란인자로 잘못 해석된 공간적 구조는 잘못된 인과적 해석을 초래할 수 있으며, 이는 공동 모델링의 필요성을 강조한다.