[論文レビュー] Statistical Matching and Subclassification with a Continuous Dose: Characterization, Algorithms, and Inference

Bo Zhang, Emily J. MacKay+1 more|arXiv (Cornell University)|Jan 1, 2020

Advanced Causal Inference Techniques参考文献 42被引用数 2

ひとこと要約

本稿では、連続的処置量を伴う観察的研究における最適なサブクラス化およびフルマッチング手法を提案し、2つのサブクラス均質性基準を導入。1つの基準に関しては最適性を保証する多項式時間アルゴリズムを提供し、もう1つの基準に関しては2-近似を達成。回帰補正と組み合わせることで、因果推論におけるモデル依存性が低減され、シミュレーションおよびCABG手術におけるTEE使用に関するMedicare/Medicaid請求データ研究で実証された。

ABSTRACT

Subclassification and matching are often used to adjust for observed covariates in observational studies; however, they are largely restricted to relatively simple study designs with a binary treatment. One important exception is Lu et al.(2001), who considered optimal pair matching with a continuous treatment dose. In this article, we propose two criteria for optimal subclassification/full matching based on subclass homogeneity with a continuous treatment dose, and propose an efficient polynomial-time algorithm that is guaranteed to find an optimal subclassification with respect to one criterion and serves as a 2-approximation algorithm for the other criterion. We discuss how to incorporate treatment dose and use appropriate penalties to control the number of subclasses in the design. Via extensive simulations, we systematically examine the performance of our proposed method, and demonstrate that combining our proposed subclassification scheme with regression adjustment helps reduce model dependence for parametric causal inference with a continuous treatment dose. We illustrate the new design and how to conduct randomization-based statistical inference under the new design using Medicare and Medicaid claims data to study the effect of transesophageal echocardiography (TEE) during CABG surgery on patients' 30-day mortality rate.

研究の動機と目的

• 観察的研究における連続的処置量のためのサブクラス化およびマッチング手法のギャップを埋める。
• 処置が連続的である場合のサブクラス均質性を高めるための最適サブクラス化基準を開発する。
• 1つの基準に関して最適性を保証し、もう1つの基準に関しては2-近似を達成する効率的なアルゴリズムを設計する。
• 処置量とペナルティ項を組み込んで、設計におけるサブクラス数を制御する。
• シミュレーションおよび実世界応用を通じて、この手法の有効性がモデル依存性の低減に寄与することを示す。

提案手法

• 連続的処置量を伴うサブクラス均質性に基づく2つの最適サブクラス化基準を提案する。
• 1つの基準に関して最適サブクラス化を保証し、もう1つの基準に関しては2-近似を達成する多項式時間アルゴリズムを開発する。
• 適切なペナルティ関数を用いて処置量をサブクラス化プロセスに統合し、サブクラス数を制御する。
• 提案されたサブクラス化を回帰補正と組み合わせることで、パrametric因果推論におけるモデル依存性を低減する。
• ランダマイゼーションに基づく統計的推論を用いて、新しい設計下での因果効果を評価する。
• MedicareおよびMedicaidの請求データにこの手法を適用し、CABG手術後の30日生存率に及ぼす経食道的エコー心臓超音波検査（TEE）の効果を調査する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてサブクラス化およびマッチングを、観察的研究における連続的処置量に対応させるか？
• RQ2 処置が連続的である場合、最適なサブクラス均質性を保証する基準は何か？
• RQ3 これらの基準の下で、最適または近似的に最適なサブクラス化を求める効率的な多項式時間アルゴリズムを開発できるか？
• RQ4 提案されたサブクラス化を回帰補正と組み合わせることで、因果推論におけるモデル依存性にどのような影響を与えるか？
• RQ5 実世界データにおけるこの手法のパフォーマンス、特に術後死亡率に対するTEEの効果推定において、どのように機能するか？

主な発見

• 提案されたアルゴリズムは、1つのサブクラス均質性基準に関して最適性を保証し、もう1つの基準に関しては2-近似を達成する。
• 処置量とペナルティ項を組み込むことで、設計におけるサブクラス数の効果的制御が可能になる。
• シミュレーションの結果、サブクラス化スキームを回帰補正と組み合わせることで、パラメトリック因果推論におけるモデル依存性が顕著に低減される。
• 連続的処置を伴う因果効果の推定において、バイアスの低減と精度の向上という点で、本手法は優れたパフォーマンスを示す。
• MedicareおよびMedicaidの請求データへの応用により、TEEがCABG手術後の30日生存率に与える影響を正当にランダマイゼーションに基づく推論で評価可能であることが明らかになった。