[논문 리뷰] The Delta-Method and Influence Function in Medical Statistics: a Reproducible Tutorial

Rodrigo Zepeda‐Tello, Michael Schomaker외 6명|arXiv (Cornell University)|2022. 06. 30.

Statistical Methods in Clinical Trials인용 수 6

한 줄 요약

이 튜토리얼은 의료 통계에서 분산 추정을 위한 고전적 및 기능적 델타 방법과 영향 함수(IF)를 소개하며, 위험 비율, 상관계수, 로지스틱 회귀 기능 등 복잡한 추정량의 표준 오차를 계산하기 위한 실용적이고 재현 가능한 R 및 파이썬 코드를 제공한다. 이는 고차원 또는 비연속적인 설정에서도 강력하고 점근적으로 타당한 추론이 가능하게 해주며, 역학자와 생물통계학자들에게 응용 통계 교육에서 중요한 격차를 메운다.

ABSTRACT

Approximate statistical inference via determination of the asymptotic distribution of a statistic is routinely used for inference in applied medical statistics (e.g. to estimate the standard error of the marginal or conditional risk ratio). One method for variance estimation is the classical Delta-method but there is a knowledge gap as this method is not routinely included in training for applied medical statistics and its uses are not widely understood. Given that a smooth function of an asymptotically normal estimator is also asymptotically normally distributed, the Delta-method allows approximating the large-sample variance of a function of an estimator with known large-sample properties. In a more general setting, it is a technique for approximating the variance of a functional (i.e., an estimand) that takes a function as an input and applies another function to it (e.g. the expectation function). Specifically, we may approximate the variance of the function using the functional Delta-method based on the influence function (IF). The IF explores how a functional $ϕ(θ)$ changes in response to small perturbations in the sample distribution of the estimator and allows computing the empirical standard error of the distribution of the functional. The ongoing development of new methods and techniques may pose a challenge for applied statisticians who are interested in mastering the application of these methods. In this tutorial, we review the use of the classical and functional Delta-method and their links to the IF from a practical perspective. We illustrate the methods using a cancer epidemiology example and we provide reproducible and commented code in R and Python using symbolic programming. The code can be accessed at https://github.com/migariane/DeltaMethodInfluenceFunction

연구 동기 및 목표

• 응용 의료 통계학자들과 역학자들 사이에서 델타 방법과 영향 함수(IF)에 대한 교육 부족을 해결한다.
• 이론적 점근 통계학과 실제 의료 연구에서의 구현 간 격차를 메운다.
• 기능적 델타 방법과 IF를 사용하여 복잡한 추정량의 표준 오차를 계산하는 종합적이고 실습 중심의 튜토리얼을 제공한다.
• 현대 통계 문제, 특히 인과 추론에서 고차원 및 데이터 적응형 추정에 대해 IF 기반 접근법의 유용성을 입증한다.
• 재표본 추출이 불가능한 상황에서 부트스트랩과 함께 또는 대체로 강력하고 점근적으로 타당한 추론 방법의 도입을 지원한다.

제안 방법

• 점근 정규 추정량의 매끄러운 함수의 분산을 근사하기 위해 일阶 테일러 전개를 사용한 고전적 델타 방법을 적용한다.
• 기능적 델타 방법을 통해 기능에 대해 확장하며, 이 경우 영향 함수(IF)가 분산 추정의 핵심이 된다.
• 영향 함수를 경험 분포에 대한 기능의 도수로 유도하며, 무한소 오염의 영향을 나타낸다.
• R과 파이썬의 기호 프로그래밍을 사용하여 위험 비율, 상관계수, 로지스틱 회귀 기능 등 다양한 추정량의 IF와 표준 오차를 해석적으로 유도한다.
• 경험 영향 함수를 사용하여 추정량의 분산에 대한 플러그인 추정량을 구현하여 관측 데이터로부터 직접 계산할 수 있도록 한다.
• 로지스틱 회귀 계수의 조합을 포함한 암 역학 사례 연구를 포함한 실습 예제를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 고전적 델타 방법을 사용하여 추정량의 함수, 예를 들어 위험 비율의 표준 오차를 어떻게 유도할 수 있는가?
• RQ2 영향 함수를 기반으로 한 기능적 델타 방법은 중위수나 상관계수와 같은 복잡한 기능에 대해 고전적 방법을 어떻게 확장하는가?
• RQ3 델타 방법이 실패하는 조건는 무엇이며, 이러한 경우에 영향 함수는 어떻게 강력한 대안이 되는가?
• RQ4 기호 계산을 통해 R과 파이썬에서 실무적으로 영향 함수를 어떻게 도출하고 구현할 수 있는가?
• RQ5 특히 고차원 또는 데이터 적응형 인과 추론의 맥락에서, IF 기반 접근법이 부트스트랩보다 분산 추정에서 왜 우월한가?

주요 결과

• 영향 함수는 비선형 및 비연속 기능을 포함한 광범위한 추정량의 점근 분산을 유도하는 일반적 프레임워크를 제공한다.
• IF를 기반으로 한 기능적 델타 방법은 중위수 함수나 상관계수와 같은 복잡한 추정량에 대해 고전적 델타 방법이 실패하는 경우에도 정확한 표준 오차 추정치를 제공한다.
• 위험 비율의 경우 고전적 델타 방법이 실증적 추정치와 매우 유사한 표준 오차를 산출하므로, 일반 역학 응용 분야에서의 사용이 검증된다.
• 비해석 함수 또는 미분 불가능한 경우 고전적 델타 방법은 기능을 잃지만, IF 기반 접근법은 여전히 유효하고 계산 가능하다.
• 이 튜토리얼은 부트스트랩이 계산적으로 불가능하거나 일관성이 없을 때, 특히 고차원 또는 데이터 적응형 설정에서 IF 기반 분산 추정량이 특히 유리함을 보여준다.
• 제공된 R 및 파이썬 코드는 델타 방법과 IF 기반 추론의 재현 가능하고 종단 간 구현을 가능하게 하여 응용 의료 연구에서의 도입을 촉진한다.