[논문 리뷰] Proximal Causal Inference for Complex Longitudinal Studies

Andrew Ying, Wang Miao외 2명|arXiv (Cornell University)|2021. 09. 15.

Advanced Causal Inference Techniques참고 문헌 35인용 수 6

한 줄 요약

이 논문은 측정되지 않은 교란 요인으로 인해 순차적 랜덤화 가정이 성립하지 않을 경우 종단적 설정에서 보상 구조 평균 모형(MSM)을 통해 보편적 인과적 추론을 확장한다. 시간에 따라 변화하는 공변량을 측정되지 않은 교란 요인의 대체 측정치로 모델링함으로써 저자들은 비모수적 식별성을 확립하고 이중으로 강건한 추정량을 도출하며, 시뮬레이션과 류마티스성 관절염 환자에서 메토트렉세이트 영향을 분석한 실제 연구에서 표준 SRA 기반 방법보다 더 우수한 유한 표본 성능을 보여준다.

ABSTRACT

A standard assumption for causal inference about the joint effects of time-varying treatment is that one has measured sufficient covariates to ensure that within covariate strata, subjects are exchangeable across observed treatment values, also known as "sequential randomization assumption (SRA)". SRA is often criticized as it requires one to accurately measure all confounders. Realistically, measured covariates can rarely capture all confounders with certainty. Often covariate measurements are at best proxies of confounders, thus invalidating inferences under SRA. In this paper, we extend the proximal causal inference (PCI) framework of Miao et al. (2018) to the longitudinal setting under a semiparametric marginal structural mean model (MSMM). PCI offers an opportunity to learn about joint causal effects in settings where SRA based on measured time-varying covariates fails, by formally accounting for the covariate measurements as imperfect proxies of underlying confounding mechanisms. We establish nonparametric identification with a pair of time-varying proxies and provide a corresponding characterization of regular and asymptotically linear estimators of the parameter indexing the MSMM, including a rich class of doubly robust estimators, and establish the corresponding semiparametric efficiency bound for the MSMM. Extensive simulation studies and a data application illustrate the finite sample behavior of proposed methods.

연구 동기 및 목표

• 측정된 공변량이 측정되지 않은 교란 요인의 대체 측정치일 수 있는 종단적 연구에서 순차적 랜덤화 가정(SRA)의 한계를 다루기 위해.
• 시간에 따라 변화하는 치료의 연합 인과 효과를 다루기 위한 보상 구조 평균 모형(MSMM) 하에서 공식적인 보편적 인과적 추론 프레임워크를 개발하기 위해.
• 측정되지 않은 교란 요인 메커니즘의 시간에 따라 변화하는 대체 측정치를 사용하여 인과 효과의 비모수적 식별성을 확립하기 위해.
• MSMM 매개수를 위한 정규적이고 점근적으로 선형인 추정량, 특히 이중으로 강건한 추정량의 클래스를 도출하기 위해.
• 시뮬레이션과 류마티스성 관절염 환자에서의 메토트렉세이트 치료에 대한 실제 적용을 통해 유한 표본 성능을 평가하기 위해.

제안 방법

• 시간에 따라 변화하는 공변량을 치료 및 결과에 영향을 주는 교란 요인의 대체 측정치와 치료 및 결과의 공통 원인으로 분류하는 보편적 인과적 추론 프레임워크를 제안한다.
• 잠재 결과 프레임워크를 사용하여 대체 측정치를 통해 비모수적으로 식별 가능한 조건을 공식화한다.
• 두 개의 시간에 따라 변화하는 대체 측정치(치료 유도형 및 결과 유도형 측정치)를 사용하여 반모수적 MSMM 하에서 식별성을 확립한다.
• MSMM 매개수를 위한 정규적이고 점근적으로 선형인 추정량의 클래스를 도출하며, 결과 모형과 치료 모형을 통합한 이중으로 강건한 추정량을 포함한다.
• 보편적 프레임워크 하에서 MSMM에 대한 반모수적 효율성 한계를 특성화한다.
• 메토트렉세이트 사용에 대한 종단적 연구에 이 방법을 적용하여 보편적 추정량과 표준 SRA 기반 이중으로 강건한 추정량을 비교한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 치료와 결과를 가진 종단적 설정으로서 보편적 인과적 추론을 확장할 수 있는가?
• RQ2 측정된 공변량이 종단적 연구에서 측정되지 않은 교란 요인의 대체 측정치일 경우, 인과 효과가 비모수적으로 식별될 수 있는 조건은 무엇인가?
• RQ3 보편적 프레임워크 하에서 MSMM에 대한 이중으로 강건한 추정량은 어떻게 구성할 수 있는가?
• RQ4 이 보편적 종단적 설정에서 인과 효과를 추정할 때 반모수적 효율성 한계는 무엇인가?
• RQ5 유한 표본과 실제 데이터에서 보편적 추정량은 표준 SRA 기반 추정량과 어떻게 비교되는가?

주요 결과

• 측정되지 않은 교란 요인으로 인해 순차적 랜덤화 가정이 성립하지 않을 경우에도 보편적 인과적 추론 프레임워크는 종단적 설정에서 인과 효과를 성공적으로 식별한다.
• 모든 네 가지 추정량(보편적, 역확률가중, 결과 회귀, 이중으로 강건한)은 6개월째 메토트렉세이트 투여 시작에 대해 보호 효과를 보였지만, 누적 모형에서는 유의미한 결과를 낸 것은 보편적 추정량뿐이었다.
• 12개월간의 MTX 치료에 대한 보편적 효과 추정치는 6개월째 투여 시작에 비해 약 두 배였으며, 누적 치료 효과가 더 적절함을 시사한다.
• 누적 MSMM에서 모든 보편적 추정량은 MTX의 유의미한 보호 효과를 나타냈지만, SRA 기반 DR 추정량은 여전히 약하고 유의미하지 않았다.
• 보편적 추정량은 SRA 기반 DR 추정량보다 상당히 큰 점추정치를 보였으며, 잔여 교란 요인에 의한 편향 감소를 시사한다.
• 보조 시뮬레이션은 식별 조건 위반에 대해 강건함을 확인했고, 코드는 복제를 위해 공개되어 있다.