[論文レビュー] Efficient Learning of Optimal Individualized Treatment Rules for Heteroscedastic or Misspecified Treatment-Free Effect Models

Weibin Mo, Yufeng Liu|arXiv (Cornell University)|Sep 6, 2021

Advanced Causal Inference Techniques参考文献 86被引用数 7

ひとこと要約

本稿では、異分散性または治療フリー効果の誤指定が生じる状況下でも、最適な個別化治療ルール（ITR）を推定するための新規フレームワークE-Learningを提案する。残差分散を共変量および治療に依存する関数としてモデル化することで、E-Learningは半パラメトリック効率性とダブルロバステネスを達成し、モデル誤指定や異分散性が存在する際、従来手法に比べて著しく推定効率が向上する。

ABSTRACT

Recent development in data-driven decision science has seen great advances in individualized decision making. Given data with individual covariates, treatment assignments and outcomes, researchers can search for the optimal individualized treatment rule (ITR) that maximizes the expected outcome. Existing methods typically require initial estimation of some nuisance models. The double robustness property that can protect from misspecification of either the treatment-free effect or the propensity score has been widely advocated. However, when model misspecification exists, a doubly robust estimate can be consistent but may suffer from downgraded efficiency. Other than potential misspecified nuisance models, most existing methods do not account for the potential problem when the variance of outcome is heterogeneous among covariates and treatment. We observe that such heteroscedasticity can greatly affect the estimation efficiency of the optimal ITR. In this paper, we demonstrate that the consequences of misspecified treatment-free effect and heteroscedasticity can be unified as a covariate-treatment dependent variance of residuals. To improve efficiency of the estimated ITR, we propose an Efficient Learning (E-Learning) framework for finding an optimal ITR in the multi-armed treatment setting. We show that the proposed E-Learning is optimal among a regular class of semiparametric estimates that can allow treatment-free effect misspecification. In our simulation study, E-Learning demonstrates its effectiveness if one of or both misspecified treatment-free effect and heteroscedasticity exist. Our analysis of a Type 2 Diabetes Mellitus (T2DM) observational study also suggests the improved efficiency of E-Learning.

研究の動機と目的

• 治療フリー効果が誤指定されたり、アウトカムの分散が異分散的である場合に、従来のITR推定手法の非効率性に対処すること。
• 治療フリー効果の誤指定と異分散性の影響を、共変量および治療に依存する残差分散という1つの要因として統一すること。
• モデル誤指定を許容する正規クラスの推定量の中で、半パラメトリックに効率的である推定フレームワークを開発すること。
• シミュレーション研究および実世界の観察データにおいて、推定効率とロバステネスの向上を示すこと。

提案手法

• 共変量および治療に依存する関数として残差分散をモデル化し、異分散性および誤指定の影響を捉える。
• 逆分散重み付けを用いて異分散性を補正する重み付き推定方程式を定式化する。
• バランス重みを統合して、治療フリー効果モデルおよびプロパティススコアモデルの両方に対してダブルロバステネスを達成する。
• 2段階推定手順を採用：まず分散関数を推定し、次に重み付き最小二乗法を用いて最適ITRを推定する。
• 治療フリー効果の誤指定を許容する正規クラスの推定量の中で、推定量が半パラメトリックに効率的であることを保証する。
• 増強逆確率重み付き推定方程式（AIPWE）フレームワークを活用し、ロバステネスと効率性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 アウトカムの残差における異分散性は、最適ITR推定の効率性にどのように影響するか？
• RQ2 治療フリー効果の誤指定と異分散性を、統計的フレームワークとして正式に統一できるか？
• RQ3 異分散性を考慮するダブルロバストITR推定量は、従来手法に比べて高い効率性を達成できるか？
• RQ4 ねずみ講の誤指定が正しくなされていれば、E-Learningフレームワークは半パラメトリックに効率的か？
• RQ5 治療フリー効果モデルおよびプロパティススコアモデルの両方が誤指定されている有限標本において、E-Learningはどのように性能を発揮するか？

主な発見

• E-Learningは、治療フリー効果モデルおよびプロパティススコアモデルが正しく指定されている場合、半パラメトリックに効率的である。
• シミュレーションでは、ホモスケダスティックおよび異分散的誤差構造の両方の下で、Q-Learning、D-Learning、RD-Learningに比べてE-Learningが著しく低い誤分類率とレジットを示した。
• モデル誤指定下でもE-Learningは優れた性能を維持し、高次元設定では競合手法に比べて誤分類率が20〜40%低かった。
• T2DMの観察研究では、E-Learningは推定の安定性が向上し、レジットが低く、変更されたデータ構成においても係数推定値が一貫していた。
• フレームワークのダブルロバステネス特性により、治療フリー効果モデルまたはプロパティススコアモデルのいずれかが誤指定されていても一貫した推定が保証される。
• ACTG175データセットにおける残差解析から、治療フリー効果の誤指定と異分散性の両方が確認され、本稿で提案するフレームワークの必要性が裏付けられた。