[논문 리뷰] Causal Inference in Observational Studies with Non-Binary Treatments

Shandong Zhao, David A. van Dyk외 1명|arXiv (Cornell University)|2013. 09. 24.

Advanced Causal Inference Techniques참고 문헌 18인용 수 3

한 줄 요약

이 논문은 이진이 아닌 치료를 위한 원인 인과 추론에서 일반화된 적합도 스코어(gps) 및 적합도 함수(p-function) 방법을 비교하며, gps 기반 접근법이 반응 모형의 잘못 설정에 민감함을 입증한다. 본 논문은 매끄러운 계수 모형을 사용한 p-function 기반의 강건한 확장 방법을 제안하며, 이는 기존의 gps 방법보다 시뮬레이션에서 더 낮은 편향과 불안정성으로 전체 용량-반응 함수를 더 잘 추정함으로써 우월함을 보인다.

ABSTRACT

Propensity score methods have become a part of the standard toolkit for applied researchers who wish to ascertain causal effects from observational data. While they were originally developed for binary treatments, several researchers have proposed generalizations of the propensity score methodology for non-binary treatment regimes. Such extensions have widened the applicability of propensity score methods and are indeed becoming increasingly popular themselves. In this article, we closely examine the two main generalizations of propensity score methods, namely, the propensity function (P-FUNCTION) of Imai and van Dyk (2004) and the generalized propensity score (GPS) of Hirano and Imbens (2004), along with recent extensions of the GPS that aim to improve its robustness. We compare the assumptions, theoretical properties, and empirical performance of these alternative methodologies. On a theoretical level, the GPS and its extensions are advantageous in that they can be used to estimate the full dose response function rather than the simple average treatment effect that is typically estimated with the P-FUNCTION. Unfortunately, our analysis shows that in practice response models often used with the original GPS are less flexible than those typically used with propensity score methods and are prone to misspecification. We compare new and existing methods that improve the robustness of the GPS and propose methods that use the P-FUNCTION to estimate the dose response function. We illustrate our findings and proposals through simulation studies, including one based on an empirical application.

연구 동기 및 목표

• 비이진 치료 설정에서 일반화된 적합도 스코어(gps) 및 적합도 함수(p-function) 방법의 이론적 및 실증적 성능 평가 및 비교.
• 기존 gps 구현의 한계를 특정함: 특히 반응 모형의 잘못 설정에 대한 민감성과 추정된 용량-반응 함수에서의 순환적 아티팩트.
• 매끄러운 계수 모형과 결합한 p-function을 사용하여 전체 용량-반응 함수를 추정하는 강건한 방법 개발 및 검증.
• 비이진 치료 원인 인과 추론에서 모형 선택 및 검증을 위한 진단 도구 및 실무 가이드 제공.

제안 방법

• p-function을 조정 근거로 사용하여 용량-반응 함수를 추정하기 위한 매끄러운 계수 모형(scm) 프레임워크 제안.
• 비모수적 스무딩 기법을 적용하여 치료 용량과 결과 간의 관계를 모형화하고, p-function를 통해 공변량을 조정.
• 추정된 용량-반응 함수의 불확실성을 평가하기 위해 부트스트랩 기반 95% 신뢰구간 사용.
• 3개의 생성 모형(이차함수, 조각별 선형, 하키스틱 반응 함수)을 사용한 시뮬레이션 연구를 통해 방법 간 성능 비교.
• 특히 고용량 영역에서 p-function 기반 추정치가 조정되지 않은 결과로 되돌아가는 경향이 있는 영역에서 잠재적 편향을 탐지하기 위해 모형 진단 수행.
• 표준 p-function 방법이 평균 치료 효과만 추정할 수 있는 한계를 극복하기 위해 p-function 방법을 사용하여 전체 용량-반응 함수 추정 확장.

실험 결과

연구 질문

• RQ1 비이진 치료 제도 하에서 gps 및 p-function 방법이 전체 용량-반응 함수를 추정하는 데 어떻게 비교되는가?
• RQ2 반응 모형이 잘못 설정되었을 때 gps 기반 방법에서 발생하는 편향과 불안정성의 원인은 무엇인가?
• RQ3 p-function을 사용하여 gps 기반 접근법보다 향상된 강건성으로 전체 용량-반응 함수를 추정할 수 있는가?
• RQ4 p-function 기반 조정과 결합했을 때 매끄러운 계수 모형은 복잡한 용량-반응 관계를 얼마나 잘 포착하는가?
• RQ5 비이진 치료 원인 인과 추론에서 모형 잘못 설정 및 불안정성을 탐지하기 위해 어떤 진단 도구를 사용할 수 있는가?

주요 결과

• 원래의 gps 방법은 반응 모형이 잘못 설정되었을 경우 특히 심각한 편향과 순환적 아티팩트를 보이며, 추정된 용량-반응 함수에 영향을 미친다.
• scm(gps) 방법은 원래의 gps를 개선하지만 여전히 데이터가 흐물흐물한 영역이나 복잡한 반응 형태 영역에서 편향과 불안정성을 보인다.
• scm(p-function) 방법은 모든 세 가지 시뮬레이션 모형에서 gps 기반 접근법보다 일관되게 우월하며, t < 3 범위에서 진짜 용량-반응 함수에 매우 가까이 맞춘다.
• p-function 기반 방법은 모형 잘못 설정에 더 강건하며, 표준 적합도 스코어 방법보다 덜 민감한 유연성의 반응 모형이어도 신뢰할 수 있는 추정치를 제공한다.
• 제안된 scm(p-function) 방법은 고용량 영역(t > 3)에서 잠재적 편향을 탐지할 수 있으며, 이 영역에서는 추정치가 조정되지 않은 결과로 되돌아가는 경향이 있어 신뢰할 수 없는 추론 영역을 식별할 수 있다.
• 잔차 비교 및 부트스트랩 신뢰구간 기반 진단 도구는 모형 한계를 탐지하고 실무에서 모형 선택을 안내하는 데 도움이 된다.