[論文レビュー] Semiparametric Proximal Causal Inference

Yifan Cui, Hongming Pu+3 more|arXiv (Cornell University)|Nov 17, 2020

Advanced Causal Inference Techniques参考文献 41被引用数 18

ひとこと要約

本稿は、処置および結果のプロキシを活用することで、測定されない交絡要因がある状況下でも平均処置効果の同定と有効な推定が可能な、半パラメトリックなプロキシ因果推論理論を構築した。非パラメトリックな同定、効率性の上限、二重にロバストな推定量を確立し、シミュレーションおよび重症患者における右心カテーテル検査の実世界研究において、標準的手法よりも優れた性能を示した。

ABSTRACT

Skepticism about the assumption of no unmeasured confounding, also known as exchangeability, is often warranted in making causal inferences from observational data; because exchangeability hinges on an investigator's ability to accurately measure covariates that capture all potential sources of confounding. In practice, the most one can hope for is that covariate measurements are at best proxies of the true underlying confounding mechanism operating in a given observational study. In this paper, we consider the framework of proximal causal inference introduced by Miao et al. (2018); Tchetgen Tchetgen et al. (2020), which while explicitly acknowledging covariate measurements as imperfect proxies of confounding mechanisms, offers an opportunity to learn about causal effects in settings where exchangeability on the basis of measured covariates fails. We make a number of contributions to proximal inference including (i) an alternative set of conditions for nonparametric proximal identification of the average treatment effect; (ii) general semiparametric theory for proximal estimation of the average treatment effect including efficiency bounds for key semiparametric models of interest; (iii) a characterization of proximal doubly robust and locally efficient estimators of the average treatment effect. Moreover, we provide analogous identification and efficiency results for the average treatment effect on the treated. Our approach is illustrated via simulation studies and a data application on evaluating the effectiveness of right heart catheterization in the intensive care unit of critically ill patients.

研究の動機と目的

• 測定された共変量が真の交絡要因のプロキシにすぎない観察的研究における測定されない交絡要因の問題に対処すること。
• プロキシ同定仮定の下で平均処置効果を同定および推定するための一般的な半パラメトリックフレームワークを開発すること。
• プロキシ因果推論のための効率性の上限を導出し、二重にロバストかつ局所的に有効な推定量を構築すること。
• フレームワークを、処置群における平均処置効果（ATT）に拡張し、政策的関心のある推定量への適用範囲を広げること。

提案手法

• 処置および結果のプロキシを用いた平均処置効果のプロキシ同定のための、非パラメトリックな条件の新規セットを提案する。
• 効率的影響関数および主要なモデルの漸近的分散の上限を含む、一般化された半パラメトリック理論を開発する。
• アウトカムまたは適合度スコアモデルのいずれかが正しく指定されていれば一貫性を保つ、プロキシ二重ロバストおよび局所的に有効な推定量を特徴付ける。
• より高いロバスト性を実現するための、新しいプロキシIPW（PIPW）推定量とプロキシ二重ロバスト（PDR）推定量を導入する。
• さまざまなモデル誤指定状況とプロキシの強さの変動下での性能を評価するためのシミュレーションスタディを実施する。
• 重症患者における右心カテーテル検査の実データセットに本手法を適用し、プロキシ選択に対する感度を評価する。

実験結果

リサーチクエスチョン

• RQ1 標準的な交換可能性仮定よりも弱い仮定の下で、プロキシ因果推論は非パラメトリックに同定可能か？
• RQ2 平均処置効果のプロキシ推定量の半パラメトリックな効率性の上限は何か？
• RQ3 プロキシ二重ロバストおよび局所的に有効な推定量はどのように構築可能か？ また、その有限標本特性は何か？
• RQ4 モデル誤指定下で、プロキシフレームワークは標準的な二重ロバスト手法に比べて推定精度と信頼区間のカバレッジを向上させるか？
• RQ5 実世界の応用において、プロキシの選択はプロキシ推定量にどの程度感度を示すか？

主な発見

• モデル誤指定状況下のシミュレーションにおいて、特にPDRおよびPOR推定量が、標準的な二重ロバスト推定量に比べて優れたバイアスとカバレッジ性能を示した。
• シナリオ1では、プロキシPDR推定量が96.8％のカバレッジ（平均二乗誤差（MSE）1.0）を達成し、標準的なDR推定量（22.4％のカバレッジ、MSE 0.6）を上回った。
• プロキシの強さが低下した場合（σwz = 0.15）、PDR推定量はシナリオ4でも88.8％のカバレッジを維持した一方、標準的なDR推定量は20.2％まで低下した。
• 実データ応用において、paco21を唯一のプロキシとして使用した場合、推定量に顕著な変動が見られ、これは弱いか誤って指定された交絡要因プロキシである可能性を示唆した。
• シナリオ3では、プロキシIPW推定量が正のが非有意な推定値（0.41、95％信頼区間：-0.07、0.90）を示し、プロキシが弱い場合にモデル誤指定の兆候があることを示唆した。
• 感度分析により、プロキシ選択が結果に顕著に影響することが確認され、pafi1をプロキシとして用いた場合に安定した推定値が得られた一方、paco21を用いた場合は発散し、信頼性が低い推定値が得られた。