[論文レビュー] Nonparametric Double Robustness

Ashley I. Naimi, Edward H. Kennedy|arXiv (Cornell University)|Nov 20, 2017

Advanced Causal Inference Techniques参考文献 36被引用数 11

ひとこと要約

本稿は、非パラメトリックな二重ロバスト推定量（例：加重逆確率プロビビリティ加重法、ターゲットド最大尤度推定）が、複雑で高次元のデータに適用された場合、単一ロバスト手法（例：g-コンピュテーション、逆確率プロビビリティ加重法）を著しく上回ることを示している。モンテカルロシミュレーションを用いて、二重ロバスト性がモデル不適合下でも推定の効率性と推論の妥当性を保つことを示し、非パラメトリックな二重ロバスト手法が観察研究における好ましい選択肢であることを示している。

ABSTRACT

Use of nonparametric techniques (e.g., machine learning, kernel smoothing, stacking) are increasingly appealing because they do not require precise knowledge of the true underlying models that generated the data under study. Indeed, numerous authors have advocated for their use with standard methods (e.g., regression, inverse probability weighting) in epidemiology. However, when used in the context of such singly robust approaches, nonparametric methods can lead to suboptimal statistical properties, including inefficiency and no valid confidence intervals. Using extensive Monte Carlo simulations, we show how doubly robust methods offer improvements over singly robust approaches when implemented via nonparametric methods. We use 10,000 simulated samples and 50, 100, 200, 600, and 1200 observations to investigate the bias and mean squared error of singly robust (g Computation, inverse probability weighting) and doubly robust (augmented inverse probability weighting, targeted maximum likelihood estimation) estimators under four scenarios: correct and incorrect model specification; and parametric and nonparametric estimation. As expected, results show best performance with g computation under correctly specified parametric models. However, even when based on complex transformed covariates, double robust estimation performs better than singly robust estimators when nonparametric methods are used. Our results suggest that nonparametric methods should be used with doubly instead of singly robust estimation techniques.

研究の動機と目的

• 単一ロバスト推定量と二重ロバスト推定量を用いた非パラメトリック手法の因果推論における性能を評価すること。
• 非パラメトリック手法を用いる場合に生じる単一ロバスト手法の限界（非効率性、不適切な信頼区間）を解消すること。
• 複雑で非パラメトリックな共変量調整を用いる場合に、モデル不適合下でも推定を安定化する二重ロバスト性の有効性を調査すること。
• さまざまな標本サイズとデータ生成メカニズムにおいて、パラメトリックおよび非パラメトリックな単一ロバストおよび二重ロバスト推定量の実装を比較すること。

提案手法

• 本研究では、10,000回の反復を用いたモンテカルロシミュレーションを実施し、4つのシナリオ（正しい/誤ったモデル仕様とパラメトリック/非パラメトリック推定）の間で推定性能を比較した。
• 単一ロバスト手法にはg-コンピュテーションと逆確率プロビビリティ加重法が含まれ、二重ロバスト手法には加重逆確率プロビビリティ加重法とターゲットド最大尤度推定が含まれる。
• 機械学習、カーネルスムージング、スタッキングなどの非パラメトリック手法を用いて、結果や感受性スコアをモデル化し、パラメトリック仮定を回避した。
• バイアスと平均二乗誤差（MSE）を、さまざまな標本サイズ（50、100、200、600、1,200観察単位）で計算・比較した。
• 正しいモデル仕様と誤ったモデル仕様の両方の下で性能を評価し、非パラメトリック実装のロバスト性に注目した。
• フレームワークは、非パラメトリック手法を用いたモデル適合において、二重ロバスト性が統計的妥当性と効率性を維持するかを評価した。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリックな単一ロバスト推定量（例：g-コンピュテーション、逆確率プロビビリティ加重法）は、モデル不適合下でバイアスと平均二乗誤差の観点からどのように性能を示すか？
• RQ2 真のモデルが不明な状況下で、非パラメトリックな二重ロバスト推定量（例：加重IPW、TMLE）は、単一ロバスト手法よりも低いバイアスとMSEを維持するか？
• RQ3 標本サイズは、非パラメトリックな二重ロバスト推定量と単一ロバスト推定量の性能にどのような影響を及けるか？
• RQ4 非パラメトリック手法を用いて結果または感受性スコアを推定する場合、二重ロバスト性はモデル不適合を補うことができるか？

主な発見

• 正しいパラメトリックモデル仕様下では、g-コンピュテーションがバイアスと平均二乗誤差の観点で最も優れた性能を示した。
• 非パラメトリック手法が用いられた場合、二重ロバスト推定量は、バイアスと平均二乗誤差の観点で、常に単一ロバスト推定量を上回った。
• 複雑で変換された共変量が存在する状況下でも、非パラメトリックな二重ロバスト推定量は、単一ロバスト手法の代替よりも低いバイアスと高い効率性を維持した。
• 非パラメトリックモデルを用いた単一ロバスト手法は、不適切な信頼区間や非効率性を含む、劣悪な統計的性質を示した。
• 性能の向上は、特にモデル不適合下で顕著であり、二重ロバスト性がバイアスに対する重要な保護を提供した。
• 結果は、複雑で高次元のデータを含む観察研究において、非パラメトリックな二重ロバスト手法を好ましいアプローチとして採用することを支持している。