[논문 리뷰] Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects

Falco J. Bargagli-Stoffi, Cadei, Riccardo외 2명|arXiv (Cornell University)|2020. 09. 18.

Advanced Causal Inference Techniques인용 수 9

한 줄 요약

Causal Rule Ensemble (CRE)는 안정성과 해석 가능성 향상을 위해 의사결정 트리의 앙상블을 사용하여 이질적 치료 효과(HTE)를 발견하고 추정하는 새로운 해석 가능한 기계학습 방법이다. 간단한 규칙 기반 조건을 통해 하위군을 식별하며, 하위군 효과 추정에 이론적 보장을 제공하여 단일 추정기보다 시뮬레이션에서 뛰어난 성능을 보이며, 미국 메디케어 수혜자들에 대한 대기오염에 대한 취약성 패턴을 드러낸다.

ABSTRACT

In health and social sciences, it is critically important to identify subgroups of the study population where there is notable heterogeneity of treatment effects (HTE) with respect to the population average. Decision trees have been proposed and commonly adopted for the data-driven discovery of HTE due to their high level of interpretability. However, single-tree discovery of HTE can be unstable and oversimplified. This paper introduces the Causal Rule Ensemble (CRE), a new method for HTE discovery and estimation using an ensemble-of-trees approach. CRE offers several key features, including 1) an interpretable representation of the HTE; 2) the ability to explore complex heterogeneity patterns; and 3) high stability in subgroups discovery. The discovered subgroups are defined in terms of interpretable decision rules. Estimation of subgroup-specific causal effects is performed via a two-stage approach, for which we provide theoretical guarantees. Through simulations, we show that the CRE method is highly competitive compared to state-of-the-art techniques. Finally, we apply CRE to discover the heterogeneous health effects of exposure to air pollution on mortality for 35.3 million Medicare beneficiaries across the contiguous U.S.

연구 동기 및 목표

• 건강 및 사회과학 분야에서 이질적 치료 효과(HTE)의 해석 가능하고 안정적이며 확장 가능한 발견을 위한 임상적 필요를 해결하기 위해.
• 단일 의사결정 트리의 한계, 즉 불안정성과 과도한 단순화를 극복하여 치료 반응이 다른 하위군을 식별하기 위해.
• 강력한 통계 성능과 이론적 보장을 유지하면서도 데이터 기반의 해석 가능한 하위군 발견을 가능하게 하는 방법을 개발하기 위해.
• 특히 미국 내 하위집단 간 대기오염으로 인한 사망 위험의 이질성을 평가하여 실세계 환경 건강 데이터에 적용하기 위해.
• 투명한 규칙 기반 표현을 통해 높은 위험 또는 내성적인 하위군을 식별함으로써 정책 기반 증거 및 정밀의료를 지원하기 위해.

제안 방법

• CRE는 하위군 발견의 안정성 향상과 과적합 감소를 위해 인과 트리의 앙상블을 구성한다.
• 두 단계 추정 절차를 사용한다: 먼저 기존의 치료 효과 추정기로 개인 수준의 의사결과값(예: ATE)을 추정하고, 그 다음 이러한 결과값을 규칙 기반 예측자로 사용하는 선형 모델을 설정한다.
• 하위군은 앙상블에서 유도된 이해하기 쉬운 의사결정 규칙으로 정의되며, 정책 및 임상적 해석에 유용하다.
• 적절한 규칙성 조건 하에서 추정 일致성에 대한 이론적 보장을 포함한다.
• 연구자가 규칙의 수와 복잡도를 제어할 수 있어 정책 적용과 정밀의료 응용에 대한 탄력성을 제공한다.
• CRE는 초기 의사결과값 추정기의 선택에 관계없이 설계되어 최신 기술의 인과 추정기와 통합 가능하다.

실험 결과

연구 질문

• RQ1 앙상블 트리 접근법은 단일 트리 방법에 비해 이질적 치료 효과 발견의 안정성과 해석 가능성 향상에 기여하는가?
• RQ2 CRE는 고차원의 실세계 데이터에서 의미 있는 규칙 기반 하위군을 효과적으로 식별할 수 있는가?
• RQ3 CRE는 복잡한 이질성 패턴을 탐지하고 추정하는 데서 단일 추정기보다 뛰어난 성능을 보이는가?
• RQ4 CRE는 대규모 환경 건강 연구에서 실질적인 정책 관련 하위군을 얼마나 잘 드러낼 수 있는가?
• RQ5 CRE는 연방합중미국 전역의 대기오염 노출에 취약한 하위집단을 얼마나 잘 식별하는가?

주요 결과

• 시뮬레이션 결과, CRE는 뚜렷한 이질성 하에서 참값의 치료 효과 분해를 완벽하게 복원했으며, 단일 의사결과값 추정기보다 뛰어난 성능을 보였다.
• CRE는 다양한 데이터 생성 과정에서 HTE 발견 및 추정 모두에서 경쟁적인 성능을 보였다.
• 3,530만 명의 메디케어 수혜자에 대한 적용 결과, 대기오염 관련 사망 위험에 대한 이질적인 민감도를 보이는 이해하기 쉬운 하위군이 드러났다.
• 메서드는 대기오염 영향에 영향을 미치는 인구통계학적 및 사회경제적 요인을 포함한 비트ivial하고 명확한 취약성 패턴을 성공적으로 식별했다.
• 노인 중심 분석에서의 잠재적 생존 편향을 시사하며, 더 넓은 연령군 연구의 필요성을 강조했다.
• CRE는 확장 가능하고 해석 가능한 HTE 발견을 가능하게 하여 표적화된 공중보건 정책 및 정밀의료 전략을 지원한다.