[논문 리뷰] More robust estimation of sample average treatment effects using Kernel Optimal Matching in an observational study of spine surgical interventions

Nathan Kallus, Brenton Pennicooke외 1명|arXiv (Cornell University)|2018. 11. 10.

Advanced Causal Inference Techniques참고 문헌 45인용 수 8

한 줄 요약

이 논문은 긍정성 가정 위반과 모형 오스펙리피케이션 상황에서 관찰 연구에서 표본 평균 치료 효과(SATE)를 안정적으로 추정하기 위해 커널 최적 매칭(Kernel Optimal Matching, KOM)을 제안한다. 커널 기반 정규화를 통해 다양한 모형 클래스에서 편향과 분산을 균일하게 통제하는 가중치 최적화를 통해 KOM는 안정적이고 낮은 오차를 가진 추정치를 생성한다. 이를 통해 병합 수술과 라미네코모의 조합이 ODI에 유의미한 영향을 미치지 않는 것으로 밝혀졌으며, 이는 무작위 대조 시험과 일치한다. 반면 IPTW는 잘못된 큰 효과를 나타낸다.

ABSTRACT

Inverse probability of treatment weighting (IPTW), which has been used to estimate sample average treatment effects (SATE) using observational data, tenuously relies on the positivity assumption and the correct specification of the treatment assignment model, both of which are problematic assumptions in many observational studies. Various methods have been proposed to overcome these challenges, including truncation, covariate-balancing propensity scores, and stable balancing weights. Motivated by an observational study in spine surgery, in which positivity is violated and the true treatment assignment model is unknown, we present the use of optimal balancing by Kernel Optimal Matching (KOM) to estimate SATE. By uniformly controlling the conditional mean squared error of a weighted estimator over a class of models, KOM simultaneously mitigates issues of possible misspecification of the treatment assignment model and is able to handle practical violations of the positivity assumption, as shown in our simulation study. Using data from a clinical registry, we apply KOM to compare two spine surgical interventions and demonstrate how the result matches the conclusions of clinical trials that IPTW estimates spuriously refute.

연구 동기 및 목표

• 긍정성 가정이 실질적으로 위반되고 치료 모형이 오스펙리피케이션되는 관찰 연구에서 IPTW의 한계를 해결하기 위해.
• 광범위한 잠재적 결과 모형 클래스에서 SATE 추정의 편향과 분산을 균일하게 통제하는 방법을 개발하기 위해.
• 실제 임상 데이터에서 극단적 가중치와 불안정한 추정치를 피하는 IPTW의 강력한 대안을 제공하기 위해.
• 기존 방법이 오해를 낳는 결과를 낳는 척추 수술 등록부에서 KOM의 성능을 평가하기 위해.
• KOM가 랜덤화 시험과 일치하는 추정치를 생성함으로써 IPTW가 초래하는 모순을 해결함을 보여주기 위해.

제안 방법

• KOM는 재생 힐버트 공간(RKHS) 내에서 가중치 추정기의 조건부 평균 제곱오차(MSE)를 최소화하는 제약 조건이 있는 최적화 문제로 가중치 결정 문제를 설정한다.
• 이 방법은 공변수와 치료 배정 간의 복잡한 비선형 관계를 윈용적으로 모델링하기 위해 커널 함수를 사용하며, 관측된 혼란 요인의 최적 균형을 가능하게 한다.
• KOM는 편향과 분산을 동시에 통제하기 위해 가중치를 정규화하여 올바른 성향 스코어 모형 사양에 의존하지 않는다.
• 최적화 문제는 볼록 프로그래밍을 통해 해결되어 전역 최적성과 계산 안정성을 보장한다.
• KOM는 다항 및 기타 커널을 통해 혼란 요인을 탄력적으로 모델링할 수 있으며, 기능 형태에 대한 사전 가정 없이 데이터 구조에 적응한다.
• 성능 평가를 위해 시뮬레이션과 실제 데이터에서 IPTW, tIPTW, PSM, RA, CBPS, SBW와 비교하였으며, MSE와 모형 오스펙리피케이션에 대한 강건성 기준으로 평가되었다.

실험 결과

연구 질문

• RQ1 실제 긍정성 위반과 모형 오스펙리피케이션 상황에서 둘 다에 대해 안정적으로 SATE를 추정할 수 있는 방법을 개발할 수 있는가?
• RQ2 치료 배정 모형이 오스펙리피케이션될 경우 KOM는 IPTW 및 기타 가중치 방법과 비교해 편향, 분산, 안정성 측면에서 어떻게 다른가?
• RQ3 제한된 긍정성 조건이 존재하는 실제 척추 수술 등록부에서 KOM는 랜덤화 시험 결과와 일치하는 추정치를 생성하는가?
• RQ4 다항식 차수(선형에서 오차차까지)의 선택이 추정된 치료 효과의 안정성과 크기에 어떻게 영향을 미치는가?
• RQ5 명시적 모형 사양이 필요 없이 KOM는 비선형적이고 비가산적 혼란 요인의 구조를 자동으로 포착할 수 있는가?

주요 결과

• KOM는 병합 수술과 라미네코모의 조합이 라미네코모 단독 수술에 비해 ODI에 0.5점의 효과를 미친다고 추정하였으며(표준오차: 4.4), 이는 통계적으로 유의미하지 않았다.
• 반면 IPTW는 유의미한 양의 효과 9.7점(표준오차: 4.6)을 추정하였으며, 이는 최근 두 개의 랜덤화 시험 결과와 정면으로 배치된다.
• 다항식 차수를 선형에서 오차차로 증가시킬수록 KOM의 추정치는 4.6점(p<0.05)에서 0.7점(p>0.05)으로 안정적으로 감소하여 시험과 일치하는 결과로 수렴하는 경향을 보였다.
• IPTW의 추정치는 차수에 따라 매우 불안정했으며, 부호와 유의수준이 뒤바뀌어 모형 사양에 매우 민감한 것으로 나타났다.
• 시뮬레이션 연구에서 KOM는 모형 오스펙리피케이션 상황에서 IPTW, tIPTW, PSM, RA, CBPS, SBW보다 편향과 평균 제곱오차가 낮아 균일하게 뛰어난 성능을 보였다.
• KOM는 극단적 가중치의 영향을 효과적으로 완화하였다. IPTW에서는 28명의 환자에게 1,000 이상의 가중치가 할당되었으나, KOM는 정규화를 통해 이러한 이질적 외곽치를 피했다.