[論文レビュー] Treatment Allocation under Uncertain Costs

Hao Sun, Munro, Evan+3 more|arXiv (Cornell University)|Mar 20, 2021

Advanced Causal Inference Techniques参考文献 38被引用数 7

ひとこと要約

本稿では、治療費が変動し、不確実性を伴う状況下で、予算制約のもとでの最適な治療割り当てをデータ駆動で行う手法を提案する。治療コストに注意を払った優先順位スコア（条件付き期待利益を条件付き期待コストで割った比）に基づくしきい値ルールを導入し、インストルメンタル変数法（一般化されたランダムフォレストを含む）を用いて推定する。シミュレーションおよび実世界のマーケティング実験において、コストを無視する手法に比べて顕著な性能向上を達成した。

ABSTRACT

We consider the problem of learning how to optimally allocate treatments whose cost is uncertain and can vary with pre-treatment covariates. This setting may arise in medicine if we need to prioritize access to a scarce resource that different patients would use for different amounts of time, or in marketing if we want to target discounts whose cost to the company depends on how much the discounts are used. Here, we show that the optimal treatment allocation rule under budget constraints is a thresholding rule based on priority scores (those with a higher score are treated first), and we propose a number of practical methods for learning these priority scores using data from a randomized trial. Our formal results leverage a statistical connection between our problem and that of learning heterogeneous treatment effects under endogeneity using an instrumental variable. We find our method to perform well in a number of empirical evaluations.

研究の動機と目的

• 治療費が個人ごとに異なり、不確実性を伴う状況において、データ駆動型の治療優先順位付けの分野におけるギャップを埋めること。
• 固定された予算制約のもとで、異質な治療効果と変動するコストを考慮した最適な治療割り当てを実現する手法を開発すること。
• 異質な治療効果のインストルメンタル変数推定と、コストに配慮した治療割り当ての間の統計的関連性を確立すること。
• 特に一般化されたランダムフォレストを用いた、ランダム化試験データから最適な優先順位スコアを学ぶ、実用的で頑健な推定技術を提案すること。
• 実世界およびシミュレーション環境において、コストの異質性を無視するベースライン手法と比較して、本手法の優位性を経験的に検証すること。

提案手法

• 最適な治療ルールは、条件付き期待インクリメンタル利益を条件付き期待インクリメンタルコストで割った比であるコストに配慮した優先順位スコアに基づくしきい値ルールとして導出される。
• 優先順位スコアは、コストに配慮した割り当てと異質な治療効果のインストルメンタル変数（IV）推定の間の統計的関連性を活用して推定される。
• 主な技術の一つとして、一般化されたランダムフォレスト（GRF）を再利用し、治療利益とコストの条件付き期待値を推定することで、優先順位スコアの非パラメトリック推定を可能にする。
• コストの不確実性に対処するため、事前処理の共変量に依存する確率変数としてコストをモデル化し、個別化されたコストに配慮した優先順位付けを可能にする。
• 予算制約のもとでの最適割り当てルールを導出するために、Dantzig（1957）の分数ナップサック問題の定式化を用いる。
• 経験的推定は2段階の手続きで実施される：まず、条件付き平均潜在的アウトカムとコストを推定し、次に比に基づく優先順位スコアを計算する。

実験結果

リサーチクエスチョン

• RQ1 治療費が異なり、不確実であり、かつ予算制約が存在する状況で、最適な治療割り当てルールは何か？
• RQ2 治療費が直接観測されないが、事前処理の共変量と関連している場合に、最適な優先順位スコアをどのように推定できるか？
• RQ3 コストに配慮した治療割り当ての問題は、異質な治療効果のインストルメンタル変数推定と統計的に関連づけることができるか？
• RQ4 コストの変動性を考慮することで、コストの異質性を無視する手法と比較して、治療割り当てのパフォーマンスがどのように向上するか？
• RQ5 現実的なデータ設定におけるコストに配慮した優先順位スコアの推定器の経験的および統計的性質は何か？

主な発見

• 最適な治療割り当てルールは、分数ナップサック問題から導出された、条件付き期待利益を条件付き期待コストで割った比に基づくしきい値ルールである。
• インストルメンタルフォレストを用いた本手法は、予算の20％にのみ対象を絞った場合でも、報酬を35%±3%獲得した。これは、『直接比』ベースライン（28%±3%）および『コストを無視』ベースライン（21%±4%）を著しく上回った。
• ペアドブートストラップ検定により、インストルメンタルフォレスト手法と直接比ベースラインとの間で統計的に有意なパフォーマンス差（p = 5×10⁻⁶）が確認された。
• 推定されたコストと報酬の間に強い整合性が示され、最適なルールはコスト・ベネフィット空間において対角線より上にある単位を優先した。
• 除外制約（exclusion restriction）が成り立つ状況では、優先順位スコア ρ(x) は、治療コストが結果に与える局所平均処置効果（LATE）に正確に一致し、因果的解釈が可能になる。
• 複数の治療を扱うには、複数選択ナップサック問題の定式化に一般化可能であるが、その拡張形の経験的性質に関するさらなる研究が必要である。