[論文レビュー] Mimicking counterfactual outcomes for the estimation of causal effects

Judith J. Lok|arXiv (Cornell University)|Sep 3, 2004

Advanced Causal Inference Techniques参考文献 15被引用数 3

ひとこと要約

この論文は、時刻に依存する治療に対する因果推論における決定論的反実仮想仮定を緩和し、構造的ネストドモデルが、すべての反実仮想結果が観測データに決定論的に関連付けられている必要がない条件下でも治療効果を推定できることを示している。主な貢献は、治療と共変量の間のフィードバックループを伴う状況において、より現実的で多様な治療効果を可能にすることにある。

ABSTRACT

Large observational studies have become commonplace in medical research. Treatment may be adapted to covariates at several instances without a fixed protocol. Estimation or even definition of treatment effect is difficult in that case. Treatment influences covariates, which influence treatment, which influences covariates, etcetera. To distinguish between these options, even the famous time-dependent Cox-model cannot be used. Robins (1992, 1998), Keiding (1999) and Lok (2001, 2004) study Structural Nested Models to estimate treatment effects even in this difficult setting. Their methods are based on so-called counterfactuals: the outcome a patient would have had if treatment was withheld after a certain time. It is clearly impossible for these outcomes to be observed in all patients. Yet we will show how counterfactual thinking is a very helpful tool to study estimation of treatment effect in the presence of time-dependent covariates. Previous work on these models was usually based on the assumption that the correct model combined with observations made it possible to calculate all counterfactuals for each patient. This assumption was considered not plausible, since it assumes the exact same treatment effect for each patient. This paper provides the cornerstone for the relaxation of treatment effects in e.g. Robins (1992, 1998) or Keiding (1999) in that, at least if there is no censoring, the assumption that counterfactuals are connected with the observed data in a deterministic way is not necessary. We hope that this will contribute to the discussion about causal reasoning.

研究の動機と目的

• 時刻に依存する治療と、互いに影響し合う共変量を伴う観察的研究における因果効果を推定する課題に対処すること。
• 反実仮想結果が観測データに決定論的に関連付けられているという強い仮定を緩和すること、これは従来の構造的ネストドモデルで必要とされていた。
• 反実仮想結果が観測データに対して確率的（ステオハスティック）に接続可能であることを許容することで、多様な治療効果のより現実的なモデリングを支援すること。
• 標準的なモデル（例：時刻に依存するコックスモデル）が失敗するような複雑な縦断的設定における因果的推論の理論的基盤に貢献すること。

提案手法

• 構造的ネストドモデルにおける決定論的反実仮想仮定の緩和を提案し、反実仮想結果が観測データと非決定論的に関連付けられるようにすること。
• 非切断状態の下で、Robins (1992, 1998) および Keiding (1999) のコアな同定化フレームワークが、正確な決定論的反実仮想予測を要件としないままも有効であることを示す。
• 反実仮想結果が観測されておらず、決定論的に再構築できない場合でも、反実仮想的思考を概念的ツールとして用いて治療効果を定義すること。
• 異なる治療スケジュールにおける潜在的結果をモデリングすることで、構造的ネストドモデルフレームワークに依拠して因果効果を推定すること。
• 反実仮想結果が観測データおよびモデル構造によって完全に決定されているという仮定が、治療効果の同定に必要でないことを確立すること。
• 治療と時刻に依存する共変量の間のフィードバックがある状況において、反実仮想的推論を用いる理論的根拠を提供すること。

実験結果

リサーチクエスチョン

• RQ1 構造的ネストドモデルは、反実仮想結果が観測データおよびモデルパラメータによって決定論的に決定されている必要がない状況でも、因果効果を推定できるか？
• RQ2 時刻に依存する治療と、互いに影響し合う交絡要因を伴う縦断的研究において、反実仮想的思考をどのように適用できるか？
• RQ3 決定論的反実仮想仮定を緩和することは、複雑で動的な治療設定における因果推論にどのような影響を及ぼすか？
• RQ4 反実仮想結果が観測データに決定論的に関連付けられていない場合でも、治療効果を同定できる条件は何か？

主な発見

• この論文は、構造的ネストドモデルにおける同定化に不可欠とされてきた決定論的反実仮想仮定が、有効な因果効果推定のために必要でないことを示している。
• 切断がない限り、観測されない反実仮想結果が存在しても、構造的ネストドモデルフレームワークにおいて治療効果は一貫して推定可能である。
• 決定論的反実仮想仮定の緩和により、個々の被験者におけるより現実的な多様な治療効果のモデリングが可能になる。
• 反実仮想結果が観測データから決定論的に再構築できない場合でも、反実仮想的思考は因果効果の定義および推定に有効で、依然として正当なツールである。
• 同定化が決定論的反実仮想写像に依存しないことの理論的根拠を示すことで、構造的ネストドモデルの理論的基盤が強化される。
• 本研究は、治療と共変量が動的に進化し、相互に作用する医療的複雑状況において、因果推論手法のより広範な応用を支援する。