[논문 리뷰] Statistical Matching and Subclassification with a Continuous Dose: Characterization, Algorithms, and Inference

Bo Zhang, Emily J. MacKay외 1명|arXiv (Cornell University)|2020. 01. 01.

Advanced Causal Inference Techniques참고 문헌 42인용 수 2

한 줄 요약

이 논문은 연속적 치료 복용량을 가진 관찰 연구에 최적의 하위분류 및 전면 매칭 방법을 제안하며, 하위분류 동질성에 대한 두 가지 기준을 도입하고, 한 기준에 대해 최적성을 보장하며 다른 기준에 대해 2-근사값을 제공하는 다항식 시간 알고리즘을 개발한다. 이 방법은 회귀 조정과 결합될 경우 모델 의존성을 감소시키며, 시뮬레이션과 CABG 수술 중 TEE 사용에 대한 메디케어/메디케이드 청구 데이터 연구를 통해 이를 입증한다.

ABSTRACT

Subclassification and matching are often used to adjust for observed covariates in observational studies; however, they are largely restricted to relatively simple study designs with a binary treatment. One important exception is Lu et al.(2001), who considered optimal pair matching with a continuous treatment dose. In this article, we propose two criteria for optimal subclassification/full matching based on subclass homogeneity with a continuous treatment dose, and propose an efficient polynomial-time algorithm that is guaranteed to find an optimal subclassification with respect to one criterion and serves as a 2-approximation algorithm for the other criterion. We discuss how to incorporate treatment dose and use appropriate penalties to control the number of subclasses in the design. Via extensive simulations, we systematically examine the performance of our proposed method, and demonstrate that combining our proposed subclassification scheme with regression adjustment helps reduce model dependence for parametric causal inference with a continuous treatment dose. We illustrate the new design and how to conduct randomization-based statistical inference under the new design using Medicare and Medicaid claims data to study the effect of transesophageal echocardiography (TEE) during CABG surgery on patients' 30-day mortality rate.

연구 동기 및 목표

• 관찰 연구에서 연속적 치료 복용량을 위한 하위분류 및 매칭 방법의 격차를 보완한다.
• 치료가 연속적일 때 하위분류 동질성을 향상시키는 최적의 하위분류 기준을 개발한다.
• 한 기준에 대해 최적성을 보장하고 다른 기준에 대해 2-근사값을 제공하는 효율적인 알고리즘을 설계한다.
• 치료 복용량과 페널티 항목을 통합하여 하위분류 수를 설계 단계에서 제어한다.
• 시뮬레이션과 실세계 적용을 통해 방법의 효과성을 입증한다.

제안 방법

• 연속적 치료 복용량이 있는 하위분류 동질성 기반으로 두 가지 최적의 하위분류 기준을 제안한다.
• 한 기준에 대해 최적의 하위분류를 보장하고 다른 기준에 대해 2-근사값을 제공하는 다항식 시간 알고리즘을 개발한다.
• 적절한 페널티 함수를 사용하여 치료 복용량을 하위분류 과정에 통합하여 하위분류 수를 제어한다.
• 제안된 하위분류를 회귀 조정과 결합하여 파arametric 인과 추론에서의 모델 의존성을 감소시킨다.
• 랜덤화 기반 통계적 추론을 사용하여 새로운 설계 하에 인과 효과를 평가한다.
• 메디케어 및 메디케이드 청구 데이터에 이 방법을 적용하여 CABG 수술 후 30일 이내 사망률에 대한 경食내시경 초음파(TEE)의 영향을 연구한다.

실험 결과

연구 질문

• RQ1 관찰 연구에서 연속적 치료 복용량을 다루기 위해 하위분류 및 매칭 방법을 어떻게 확장할 수 있는가?
• RQ2 치료가 연속적일 때 최적의 하위분류 동질성을 보장하는 기준은 무엇인가?
• RQ3 이러한 기준 하에 최적 또는 근사 최적의 하위분류를 찾는 효율적인 다항식 시간 알고리즘을 개발할 수 있는가?
• RQ4 제안된 하위분류를 회귀 조정과 결합할 경우 인과 추론에서의 모델 의존성에 어떤 영향을 미치는가?
• RQ5 실세계 데이터에서 이 방법의 성능은 어떠한가. 특히 수술 후 사망률에 대한 TEE의 영향을 추정할 때 어떻게 작용하는가?

주요 결과

• 제안된 알고리즘은 한 하위분류 동질성 기준에 대해 최적성을 보장하고 다른 기준에 대해 2-근사값을 제공한다.
• 치료 복용량과 페널티 항목을 통합함으로써 설계 단계에서 하위분류 수를 효과적으로 제어할 수 있다.
• 시뮬레이션 결과, 하위분류 체계를 회귀 조정과 조합함으로써 파arametric 인과 추론에서의 모델 의존성이 크게 감소함을 보여준다.
• 이 방법은 연속적 치료를 가진 인과 효과 추정에서 편향을 줄이고 정밀도를 향상시키는 데 강력한 성능을 보인다.
• 메디케어 및 메디케이드 청구 데이터에 대한 적용 결과, 제안된 설계가 CABG 수술 후 30일 이내 사망률에 대한 TEE의 영향을 위한 타당한 랜덤화 기반 추론을 가능하게 한다.