[논문 리뷰] Within-Person Variability Score-Based Causal Inference: A Two-Step Semiparametric Estimation for Joint Effects of Time-Varying Treatments

Satoshi Usami|arXiv (Cornell University)|2020. 07. 08.

Advanced Causal Inference Techniques인용 수 8

한 줄 요약

이 논문은 시간에 따라 변화하는 연속적 치료를 받는 종단적 연구에서 인과적 추론을 위한 이단계(semiparametric) 방법을 제안한다. 이 방법은 개인 내 변동성 점수를 사용하여 개인 내 효과와 안정된 특성에 의한 교란 요인을 분리한다. 구조적 방정식 모델링을 통해 개인 내 변동성을 추출하고, G-추정 구조적 내적 평균 모델을 적용함으로써 강력한 인과적 추정을 달성하며, 안정된 특성이 관측되지 않을 경우 심각한 편향을 크게 줄인다.

ABSTRACT

Behavioral science researchers have recently shown strong interest in disaggregating within- and between-person effects (stable traits) from longitudinal data. In this paper, we propose a method of within-person variability score-based causal inference for estimating joint effects of time-varying continuous treatments by effectively controlling for stable traits as time-invariant unobserved confounders. After conceptualizing stable trait factors and within-person variability scores, we introduce the proposed method, which consists of a two-step analysis. Within-person variability scores for each person, which are disaggregated from stable traits of that person, are first calculated using weights based on a best linear correlation preserving predictor through structural equation modeling. Causal parameters are then estimated via a potential outcome approach, either marginal structural models (MSMs) or structural nested mean models (SNMMs), using calculated within-person variability scores. We emphasize the use of SNMMs with G-estimation because of its doubly robust property to model errors. Through simulation and empirical application to data regarding sleep habits and mental health status from the Tokyo Teen Cohort study, we show that the proposed method can recover causal parameters well and that causal estimates might be severely biased if one does not properly account for stable traits.

연구 동기 및 목표

• 시간에 따라 변화하는 치료를 받는 종단적 연구에서 시간 불변 교란 요인으로 작용하는 관측되지 않는 안정된 특성 문제를 다루기 위해.
• 행동과학 데이터에서 개인 내 변동성 효과와 개인 간 안정된 특성 효과를 분리하기 위해.
• 안정된 특성이 관측되지 않지만 치료와 결과에 영향을 주는 상황에서도 유효한 인과적 추론을 가능하게 하는 방법을 개발하기 위해.
• 시간에 따라 변화하는 치료 효과를 위한 프록시로 개인 내 변동성 점수를 사용하여, 관측되지 않은 교란 요인을 제어함으로써 추정 정확도를 향상시키기 위해.
• 시뮬레이션과 도쿄 청소년 코hort 데이터를 활용한 실증 적용을 통해 본 방법의 강건성과 효과성을 입증하기 위해.

제안 방법

• 각 개인의 개인 내 변동성 점수는 구조적 방정식 모델링 기반의 최적 선형 상관보존 예측자(예측기)를 사용하여 추출되며, 이는 안정된 특성 성분과 분리된다.
• 이 방법은 구조적 방정식 모델링에서 유도된 가중치를 사용하여, 개인 내 변동성 점수가 원래의 시간에 따라 변화하는 치료의 상관관계 구조를 유지하도록 보장한다.
• 두 번째 단계에서 잠재 결과 프레임워크를 활용하여 인과적 파rameter를 추정하며, 특히 이중 강건성(doubly robust)을 확보하기 위해 G-추정을 적용한 구조적 내적 평균 모델(SNMMs)을 사용한다.
• 이 접근법은 마진형 구조적 모델(MSMs) 또는 SNMMs를 활용하지만, 모형 오Specification에 대해 이중 강건성(doubly robust) 성질을 지닌 SNMMs의 강조를 위해 사용한다.
• 이 방법은 개인 내 변동성 점수를 관심 있는 노출(exposure)로 간주하여, 관측되지 않은 안정된 특성에 대해 조정하면서 치료 효과를 함께 추정할 수 있도록 한다.
• SNMMs에서 G-추정을 사용함으로써, 결과 모형 또는 치료 모형 중 하나가 잘못 지정되어도 일관된 추정이 보장된다.

실험 결과

연구 질문

• RQ1 종단적 자료에서 개인 내 변동성 점수가 안정된 특성 교란 요인으로부터 시간에 따라 변화하는 치료 효과를 얼마나 효과적으로 분리할 수 있는가?
• RQ2 안정된 특성이 관측되지 않을 경우, 제안된 방법이 기존 접근법에 비해 편향 감소 측면에서 어떻게 비교되는가?
• RQ3 시간에 따라 변화하는 연속적 치료와 안정된 특성에 의한 측정되지 않은 교란 요인 존재 시, 본 방법이 진정한 인과 효과를 회복할 수 있는가?
• RQ4 특히 모형 오Specification 상황에서의 강건성 측면에서, 본 방법의 성능은 어떠한가?
• RQ5 실제 행동과학 데이터, 예를 들어 수면 습관과 정신건강 결과와 같은 분야에서 본 방법은 어떻게 성능을 보이는가?

주요 결과

• 안정된 특성이 관측되지 않지만 교란 요인으로 작용할 경우, 제안된 방법은 최소한의 편향으로 인과적 파rameter를 성공적으로 복원한다.
• 안정된 특성이 적절히 고려되지 않았을 경우 인과적 추정치가 심각하게 편향되었으며, 이는 이러한 특성들을 제어하는 것이 중요함을 시사한다.
• G-추정을 적용한 SNMMs 사용은 이중 강건성 추정을 제공하여, 모형 오Specification 상황에서도 일관성을 유지한다.
• 시뮬레이션 결과는 개인 내 변동성 점수가 안정된 특성과 독립적으로 시간에 따라 변화하는 치료 효과를 효과적으로 포착함을 입증했다.
• 도쿄 청소년 코hort 데이터에 대한 실증 적용 결과, 본 방법은 전통적 접근법보다 더 신뢰할 수 있는 인과적 추정치를 도출함을 확인했다.
• 실제 행동과학 데이터에서 개인 내 효과와 안정된 특성 영향을 분리하는 데 본 방법이 뛰어난 성능을 보였다.