[論文レビュー] Inverse Conditional Probability Weighting with Clustered Data in Causal Inference

Zhulin He|arXiv (Cornell University)|Aug 5, 2018

Advanced Causal Inference Techniques参考文献 45被引用数 8

ひとこと要約

本稿では、測定されていないクラスタ固有の交絡要因を伴うクラスタ化されたデータにおける平均処置効果の推定に向け、逆条件付き確率重み付け（ICPW）というロバストな手法を提案する。十分統計量と条件付き確率重み付けを活用することで、測定されていない交絡要因が共変量およびアウトカムの両方と相関している場合でも不偏性を保ち、モデル不適合や一時的パrameter問題にさらされやすい標準的IPW手法を上回る性能を発揮する。

ABSTRACT

Estimating the average treatment causal effect in clustered data often involves dealing with unmeasured cluster-specific confounding variables. Such variables may be correlated with the measured unit covariates and outcome. When the correlations are ignored, the causal effect estimation can be biased. By utilizing sufficient statistics, we propose an inverse conditional probability weighting (ICPW) method, which is robust to both (i) the correlation between the unmeasured cluster-specific confounding variable and the covariates and (ii) the correlation between the unmeasured cluster-specific confounding variable and the outcome. Assumptions and conditions for the ICPW method are presented. We establish the asymptotic properties of the proposed estimators. Simulation studies and a case study are presented for illustration.

研究の動機と目的

• クラスタ化されたデータにおける測定されていないクラスタ固有の交絡変数による平均処置効果推定のバイアスを是正すること。
• 測定されていない交絡要因が観測された共変量およびアウトカムの両方と相関している場合でも、その方法がロバストに保たれるようにすること。
• 測定されていないクラスタ固有の交絡要因の分布や性質（例：ランダム効果または固定効果）に関する強い仮定を避けること。
• 不完全なクラスタレベルの情報が得られる状況における因果推論の理論的裏付けが明確で、漸近的に有効な推定量を提供すること。
• クラスタ化されたデータにおいて一時的パrameter問題やモデル不適合に苦しむ標準的IPW手法の実用的代替案を提供すること。

提案手法

• ICPWは、クラスタレベルのデータから得られる十分統計量を用いて、測定されていないクラスタ固有の交絡要因を補正する逆確率重み付けを構築する。
• 各クラスタ内の共変量の十分統計量を条件とするため、測定されていない交絡要因との相関に対してもロバストである。
• 十分統計量を条件とする処置の条件付き確率に基づいて重み付けを導出するため、測定されていない交絡要因を直接モデル化する必要がない。
• 十分統計量が誘導する条件付き独立構造を活用した重み付け推定方程式を用いて推定量を構築する。
• 正則性条件の下で漸近的性質が確立され、推定量の一致性および漸近正規性が保証される。
• 測定されていない交絡要因にランダム効果または固定効果を仮定することを避け、モデル依存性を低減する。

実験結果

リサーチクエスチョン

• RQ1 測定されていないクラスタ固有の交絡要因が観測された共変量およびアウトカムの両方と相関している場合でも、不偏性を保つ因果推論手法を開発可能か？
• RQ2 測定されていない交絡要因を直接モデル化せず、その分布を仮定しない重み付け手法を構築可能か？
• RQ3 クラスタレベルの交絡要因が存在する状況において、ICPWはランダム効果または固定効果を用いた標準的IPWと比較してどのように性能を発揮するか？
• RQ4 標準的な正則性条件の下で、ICPW推定量の漸近的性質は何か？
• RQ5 限られたクラスタレベルの情報が得られる現実のクラスタ化データにおいて、ICPWは効果的に適用可能か？

主な発見

• ICPW推定量は、やや弱い正則性条件のもとで一貫性および漸近正規性を示し、信頼性の高い推論を可能にする。
• シミュレーション研究において、測定されていない交絡要因が共変量およびアウトカムの両方と相関している場合、ICPWはランダム効果および固定効果を用いたIPWを上回った。
• 母胎の喫煙が出生体重に与える平均因果効果の推定値は-227.6グラムであり、95％信頼区間は0を含んでいた。
• ICPWの標準誤差（402.3）は、固定効果IPWの標準誤差（1898.7）よりも顕著に小さく、より高い精度を示した。
• ランダム効果IPWは極めて不正確な推定（標準誤差 = 1353.3）と広い信頼区間を示し、クラスタレベルの交絡要因下での不安定性を示唆した。
• 事例研究の結果は、シミュレーションの結果を再現しており、低出生体重データにおいて測定されていない交絡要因が共変量およびアウトカムの両方と相関している可能性が高いことを示唆した。