[论文解读] Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders

Ioana Bica, Ahmed M. Alaa+1 more|arXiv (Cornell University)|Feb 1, 2019

Advanced Causal Inference Techniques参考文献 61被引用 14

一句话总结

时间序列去混杂方法提出了一种深度学习方法，利用具有多任务输出和变分 dropout 的循环神经网络，推断潜在变量作为纵向处理效应估计中未观测到的多原因隐性混杂因素的替代品。通过利用多个时变处理之间的依赖关系，该方法在弱于标准方法的假设下实现了无偏因果推断，在模拟数据和真实 ICU 电子健康记录（EHR）数据上表现出色。

ABSTRACT

The estimation of treatment effects is a pervasive problem in medicine. Existing methods for estimating treatment effects from longitudinal observational data assume that there are no hidden confounders, an assumption that is not testable in practice and, if it does not hold, leads to biased estimates. In this paper, we develop the Time Series Deconfounder, a method that leverages the assignment of multiple treatments over time to enable the estimation of treatment effects in the presence of multi-cause hidden confounders. The Time Series Deconfounder uses a novel recurrent neural network architecture with multitask output to build a factor model over time and infer latent variables that render the assigned treatments conditionally independent; then, it performs causal inference using these latent variables that act as substitutes for the multi-cause unobserved confounders. We provide a theoretical analysis for obtaining unbiased causal effects of time-varying exposures using the Time Series Deconfounder. Using both simulated and real data we show the effectiveness of our method in deconfounding the estimation of treatment responses over time.

研究动机与目标

• 解决在纵向观察数据中，当未观测到的多原因混杂因素导致标准因果推断方法产生偏差时，估计处理效应的关键挑战。
• 开发一种方法，实现在无需直接观测隐藏混杂因素的情况下，对时变处理效应进行无偏估计。
• 将“无隐藏混杂因素”的不可检验假设转化为可检验的条件——对随时间变化的处理依赖关系进行准确的因子建模。
• 将去混杂框架从静态设置扩展到时间序列场景，捕捉混杂因素依赖关系中的时间动态。
• 在具有受控混杂的合成数据和真实世界 ICU 电子健康记录（EHR）数据上验证该方法。

提出的方法

• 提出一种新颖的循环神经网络（RNN）架构，配备多任务输出头，用于建模时变处理分配并推断潜在混杂因素替代变量。
• 使用变分 dropout 对 RNN 进行正则化，以改善潜在变量推断中的不确定性估计。
• 在时间上应用因子模型，生成使观测处理条件独立的潜在变量，模拟未观测混杂因素的作用。
• 在每个时间步应用预测检验，以评估因子模型的质量，计算 p 值以检验模型是否捕捉了处理依赖关系。
• 将推断出的潜在变量用作结果模型中的代理变量，以在序列强忽略性假设下估计个体化处理效应。
• 理论分析表明，在满足假设 3 且因子模型拟合良好的前提下，潜在变量满足时变设置中无偏因果估计的条件。

实验结果

研究问题

• RQ1 当多个处理被分配且未观测混杂因素同时影响处理分配和结果时，我们能否在时间上实现无偏处理效应估计？
• RQ2 能否利用多个时变处理之间的依赖关系，推断出可作为隐藏混杂因素替代品的潜在变量？
• RQ3 在纵向数据中存在隐藏混杂因素时，时间序列去混杂方法是否优于标准方法？
• RQ4 在时间设置下，预测检验是否能有效评估推断出的潜在混杂因素替代品的质量？
• RQ5 在真实世界临床数据（如 ICU EHR）中，当存在缺失或未观测混杂因素时，该方法是否具有鲁棒性？

主要发现

• 在具有隐藏混杂的模拟数据中，时间序列去混杂方法将均方误差（RMSE）从 6.31 ± 0.11（存在混杂）降低至 3.85 ± 0.04（D_Z=5），接近“理想模型”（3.85 ± 0.04）的性能。
• 在 MIMIC-III ICU 数据集中，使用 D_Z=5 时，RMSE 从 4.12 ± 0.00（去除 3 个协变量后）降低至 2.81 ± 0.03，优于基线方法并达到理想模型性能。
• 使用 D_Z=5 的去混杂模型 RMSE 低于使用静态患者子组的“理想模型”，表明潜在变量比静态代理变量更好地捕捉了时变混杂因素。
• 在每个时间步进行的预测检验表明，因子模型有效捕捉了处理依赖关系，支持了潜在变量推断的有效性。
• 该方法在真实世界 EHR 数据中表现出鲁棒性，即使在移除关键临床变量（如体温和葡萄糖）后，仍能有效去混杂处理效应估计。
• 理论分析证实，在模型拟合良好的前提下，推断出的潜在变量满足序列强忽略性条件，从而实现无偏因果估计。