[논문 리뷰] The choice to define competing risk events as censoring events and implications for causal inference

Jessica G. Young, Eric J. Tchetgen Tchetgen외 1명|arXiv (Cornell University)|2018. 06. 15.

Advanced Causal Inference Techniques인용 수 6

한 줄 요약

이 논문은 경쟁 위험을 케이서링 사건으로 정의하는 것이 인과적 추정량을 선택하는 것과 관련이 있으며, 이 선택을 표준 통계 용어인 하위분포 위험 및 원인별 위험과 연결한다. 이는 케이서링이 시간에 따라 변하는 요인에 의존할 경우 기존 방법이 실패함을 보이며, 이러한 조건 하에서 유효한 인과적 추정치를 복원하기 위해 Robins의 g-공식을 제안한다.

ABSTRACT

In failure-time settings, a competing risk event is any event that makes it impossible for the event of interest to occur. Different analytical methods are available for estimating the effect of a treatment on a failure event of interest that is subject to competing events. The choice of method depends on whether or not competing events are defined as censoring events. Though such definition has key implications for the causal interpretation of a given estimate, explicit consideration of those implications has been rare in the statistical literature. As a result, confusion exists as to how to choose amongst available methods for analyzing data with competing events and how to interpret effect estimates. This confusion can be alleviated by understanding that the choice to define a competing event as a censoring event or not corresponds to a choice between different causal estimands. In this paper, we describe the assumptions required to identify those causal estimands and provide a mapping between such estimands and standard terminology from the statistical literature---in particular, the terms subdistribution function, subdistribution hazard and cause-specific hazard. We show that when the censoring process depends on measured time-varying risk factors, conventional statistical methods for competing events are not valid and alternative methods derived from Robins's g-formula may recover the causal estimand of interest.

연구 동기 및 목표

• 경쟁 사건을 케이서링으로 간주할 때와 이유에 관해 통계 문헌에서 오해가 발생하는 이유를 해결하기 위해.
• 경쟁 위험이 있는 실패 시간 분석에서 효과 추정치의 인과적 해석을 명확히 하기 위해.
• 표준 통계 용어인 하위분포 위험, 원인별 위험 및 하위분포 함수를 서로 다른 인과적 추정량과 매핑하기 위해.
• 케이서링이 시간에 따라 변하는 위험 요인에 의존할 경우 기존의 경쟁 위험 방법이 인과 추론에 대해 무효함을 입증하기 위해.
• 이러한 의존성 하에서 인과 효과를 추정하기 위한 유효한 대안으로 Robins의 g-공식을 주장하기 위해.

제안 방법

• 논문은 경쟁 사건을 케이서링으로 간주하는지 여부에 따라 두 가지 서로 다른 인과적 추정량을 식별한다.
• 특히 시간에 따라 변하는 혼란 요인 하에서 각 인과적 추정량을 식별하기 위한 가정을 체계적으로 형식화한다.
• 인과적 추정량을 표준 통계 용어와 매핑한다: 하위분포 위험은 경쟁 사건이 케이서링되지 않은 추정량과 대응하며, 원인별 위험은 경쟁 사건이 케이서링된 추정량과 대응한다.
• 기존의 경쟁 위험 방법(예: 하위분포 위험 회귀)이 유효한 인과적 추정치를 제공하는 조건을 유도한다.
• 케이서링이 측정된 시간에 따라 변하는 위험 요인에 의존할 경우 Robins의 g-공식을 사용하여 인과 효과를 추정한다.
• 관심 있는 인과적 추정량과 케이서링 과정의 성격에 따라 적절한 방법을 선택하는 프레임워크를 제공한다.

실험 결과

연구 질문

• RQ1 생존 분석에서 경쟁 사건을 케이서링 사건으로 정의할 때 어떤 인과적 추정량이 추정되는가?
• RQ2 하위분포 위험과 원인별 위험은 어떻게 서로 다른 인과적 추정량과 관련이 있는가?
• RQ3 기존의 경쟁 위험 방법이 인과 추론에 대해 무효해지는 조건은 무엇인가?
• RQ4 케이서링이 시간에 따라 변하는 혼란 요인에 의존할 경우 Robins의 g-공식은 어떻게 인과 효과를 추정하는 데 사용될 수 있는가?
• RQ5 시간에 따라 변하는 경쟁 위험이 존재하는 상황에서 인과 효과를 식별하기 위해 필요한 가정은 무엇인가?

주요 결과

• 경쟁 사건을 케이서링 사건으로 정의하는 것은 일반적인 인과 효과가 아니라 특정 인과적 추정량을 추정하는 것과 관련이 있다.
• 하위분포 위험은 경쟁 사건이 케이서링되지 않은 인과적 추정량과 대응하며, 원인별 위험은 경쟁 사건이 케이서링된 추정량과 대응한다.
• 케이서링 과정이 시간에 따라 변하는 위험 요인에 의존할 경우 기존의 경쟁 위험 방법은 무효하다.
• Robins의 g-공식은 이러한 의존성 하에서도 올바른 인과적 추정량을 복원할 수 있으며, 표준 방법의 유효한 대안을 제공한다.
• 추정량과 방법의 선택은 데이터의 인과적 구조에 대한 구체적인 지식에 따라 이끌려야 한다.