[论文解读] Assessing the Treatment Effect Heterogeneity with a Latent Variable

Yunjian Yin, Lan Liu+1 more|arXiv (Cornell University)|Mar 8, 2016

Advanced Causal Inference Techniques参考文献 8被引用 3

一句话总结

本文提出一种具有潜变量的非可分（广义）线性模型，用于识别和估计连续和二值结果的治疗获益率（TBR）与治疗伤害率（THR），从而在平均治疗效应之外评估治疗效应异质性。在给定观测协变量和一个未测量的潜变量的条件独立性假设下，作者建立了识别条件，推导出具有渐近分布的估计量，并通过模拟研究和两项随机对照试验验证了该方法，发现在ACCORD Eye研究中，7.8%的患者从强化血糖控制中获益，4.6%受到伤害。

ABSTRACT

The average treatment effect (ATE) is popularly used to assess the treatment effect. However, the ATE implicitly assumes a homogenous treatment effect even amongst individuals with different characteristics. In this paper, we mainly focus on assessing the treatment effect heterogeneity, which has important implications in designing the optimal individual treatment regimens and in policy making. The treatment benefit rate (TBR) and treatment harm rate (THR) have been defined to characterize the magnitude of heterogeneity for binary outcomes. When the outcomes are continuous, we extend the definitions of the TBR and THR to compare the difference between potential outcomes with a pre-specified level c. Unlike the ATE, these rates involve the joint distribution of the potential outcomes and can not be identified without further assumptions even in randomized clinical trials. In this article, we assume the potential outcomes are independent conditional on the observed covariates and an unmeasured latent variable. Under this assumption, we prove the identification of the TBR and THR in non-separable (generalized) linear models for both continuous and binary outcomes. We then propose estimators and derive their asymptotic distributions. In the simulation studies, we implement our proposed methods to assess the performance of our estimators and carry out a sensitive analysis for different underlying distribution for the latent variable. Finally, we illustrate the proposed methods in two randomized controlled trials.

研究动机与目标

• 为解决平均治疗效应（ATE）在假设个体间治疗效应同质性时的局限性。
• 在未测量混杂因素存在的情况下，开发一种方法以识别和估计连续或二值结果下的治疗获益率（TBR）与治疗伤害率（THR）。
• 通过引入一个捕捉未观测治疗反应异质性的未测量潜变量，放宽条件独立性假设。
• 在具有潜变量的非可分（广义）线性模型下，提供TBR与THR的识别与估计程序。
• 通过模拟研究和两项随机对照试验中的真实世界应用验证该方法。

提出的方法

• 引入一种非可分（广义）线性模型，假设潜在结果在给定观测协变量和一个未测量潜变量U的条件下条件独立。
• 假设潜变量U服从正态分布，并通过建模其与观测协变量的交互作用以确保模型可识别。
• 通过潜变量假设下潜在结果的联合分布，推导出TBR与THR的识别条件。
• 提出TBR与THR的一致估计量，并推导其渐近分布以支持统计推断。
• 通过改变U的分布假设（如正态分布与卡方分布）进行敏感性分析，以评估估计量的稳健性。
• 将该方法应用于两项随机对照试验：Arnica 30×实验和ACCORD Eye研究，调整相关协变量并检验U的交互作用。

实验结果

研究问题

• RQ1 当存在未测量混杂因素时，仅使用观测数据是否能可靠评估治疗效应异质性？
• RQ2 在存在一个未测量潜变量的情况下，TBR与THR在何种条件下可实现非参数识别？
• RQ3 与标准ATE或独立性假设相比，引入潜变量如何改善TBR与THR的识别？
• RQ4 当潜变量具有不同基础分布时，所提出估计量的表现如何？
• RQ5 该方法在真实世界随机对照试验中，能在多大程度上检测到个体层面的治疗获益与伤害？

主要发现

• 在ACCORD Eye研究中，7.8%的患者（标准误=0.006）从强化血糖控制中获益，4.6%（标准误=0.005）受到伤害，两项估计均高度显著（p < 0.0001）。
• 模型识别出潜变量U与协变量之间存在显著交互作用（如U·X₁和U·X₂），支持非可分模型假设的有效性。
• 模拟研究显示，连续结果的收敛率接近100%，在U服从正态分布时二值结果的非收敛率仅为0.9%，在U服从卡方分布时上升至5.8%，但随着样本量增大，所有非收敛情况均消失。
• 即使潜在结果不可直接观测，该方法仍能成功识别非可分线性模型下具有潜变量的TBR与THR。
• 敏感性分析表明，估计量在潜变量不同分布假设下表现稳健，尽管非正态性可能增加识别难度。
• 该方法为亚组分析提供了一种可行替代方案，能够捕捉未被观测协变量解释的残余异质性。