[論文レビュー] Sequential Double Robustness in Right-Censored Longitudinal Models

Alexander R. Luedtke, Oleg Sofrygin+2 more|arXiv (Cornell University)|May 6, 2017

Advanced Causal Inference Techniques参考文献 30被引用数 8

ひとこと要約

本稿は、右側打ち切り下での縦断的G-フォーミュラ推定のための反復的標的最小損失に基づく推定法（iTMLE）を提案する。各時点において結果回帰または処置メカニズムが一貫して推定されれば一貫性を保証するようにすることで、逐次的二重ロバスト性を達成する。本手法はデータ適応的推定と無限次元の標的化を組み合わせることで有限標本性能を向上させ、収束速度を向上させ、シミュレーションにおいて既存手法を上回る性能を示す。

ABSTRACT

Consider estimating the G-formula for the counterfactual mean outcome under a given treatment regime in a longitudinal study. Bang and Robins provided an estimator for this quantity that relies on a sequential regression formulation of this parameter. This approach is doubly robust in that it is consistent if either the outcome regressions or the treatment mechanisms are consistently estimated. We define a stronger notion of double robustness, termed sequential double robustness, for estimators of the longitudinal G-formula. The definition emerges naturally from a more general definition of sequential double robustness for the outcome regression estimators. An outcome regression estimator is sequentially doubly robust (SDR) if, at each subsequent time point, either the outcome regression or the treatment mechanism is consistently estimated. This form of robustness is exactly what one would anticipate is attainable by studying the remainder term of a first-order expansion of the G-formula parameter. We show that a particular implementation of an existing procedure is SDR. We also introduce a novel SDR estimator, whose development involves a novel translation of ideas used in targeted minimum loss-based estimation to the infinite-dimensional setting.

研究の動機と目的

• 右側打ち切りのある縦断的研究におけるマージナルG-フォーミュラのよりロバストな推定量の開発を目的とする。
• 二重ロバスト性の概念を、各時点において結果回帰または処置メカニズムが一貫して推定されれば一貫性が保たれるような逐次的フレームワークに形式化・拡張することを目的とする。
• 右側打ち切りを伴う縦断的設定における結果回帰推定量の有限標本挙動と収束速度の改善を目的とする。
• 標的最小損失に基づく推定（TMLE）を、経路微分不可能な無限次元パラメータに拡張し、複雑な縦断的モデルにおけるより良い推定を可能にすることを目的とする。
• 理論的裏付けを有し、データ適応的であるとともに、結果の既知の境界（例：[0,1]）を尊重し、推論における名目的カバレッジを維持する方法の提供を目的とする。

提案手法

• 逆時系列順に結果回帰を更新することで、逐次的二重ロバスト性を活用する反復的標的最小損失に基づく推定量（iTMLE）を開発する。
• 過学習を軽減するため、交差検証を用いた選択を伴う経験的リスク最小化（ERM）を、結果回帰および処置メカニズムの推定に用いる。
• 時間別結果回帰の推定において、経路微分不可能なパラメータを扱うために、局所線形回帰に基づく新しい無限次元の標的化ステップを適用する。
• 複数の機械学習アルゴリズム（例：GBM、ロジスティック回帰）を用いたスーパー・ラーナー・アンサンブルを採用し、推定の効率性とロバスト性を向上させる。
• 予測確率が[0,1]の外側に位置する場合の推定安定化のため、DR変換された結果アプローチを実装し、xgboostをそのような値を処理できるように変更する。
• 標的化ステップにおいて交差検証を用いて、学習器の最適な凸結合を選択し、ロバスト性と有限標本性能を確保する。

実験結果

リサーチクエスチョン

• RQ1 各時点において結果回帰または処置メカニズムが一貫して推定されれば一貫性が保たれるような、縦断的G-フォーミュラのための逐次的二重ロバスト推定量を構築できるか？
• RQ2 標的最小損失に基づく推定は、打ち切りを伴う縦断的モデルにおける無限次元パラメータにどのように拡張できるか？
• RQ3 データ適応的推定と反復的標的化は、G-フォーミュラ推定量の有限標本性能にどのような影響を与えるか？
• RQ4 提案手法iTMLEは、LTMLE や DR 変換などの既存手法（例：LTMLE, DR Transform）と比較して、バイアス、平均二乗誤差、信頼区間カバレッジの観点でどのように異なるか？
• RQ5 新しい推定量は、結果の既知の境界（例：[0,1]）を尊重しながらも、ロバスト性と効率性を維持できるか？

主な発見

• iTMLE手法は逐次的二重ロバスト性を達成し、後続時点の結果回帰が誤指定されたシミュレーション状況では、直接プラグイン法やLTMLEに比べて相対的平均二乗誤差（MSE）が低いことが示された。
• シミュレーション1のQi.gc状況では、iTMLEがDR変換法よりも低いMSEを示したが、Qc.giおよびQSDR.gSDR状況ではDR変換法が優れた性能を示した。
• 95％信頼区間のカバレッジに関して、iTMLEおよびDR変換法はほぼ名目的カバレッジ（約95％）を達成したが、LTMLEはQSDR.gSDR状況で約85％のカバレッジにとどまった。
• 信頼区間幅の平均値は、iTMLE、DR変換法、LTMLEの間で類似しており、カバレッジの違いにもかかわらず、同等の精度を示した。
• 反復的かつデータ適応的な標的化により、モデルの複雑さと次元の扱いを改善したため、提案手法は有限標本挙動が向上した。
• 局所線形回帰に基づく標的化を用いて、経路微分不可能な無限次元パラメータへのTMLEの拡張により、収束速度が向上し、縦断的設定におけるロバスト性が強化された。