[论文解读] Causal inference for multiple continuous exposures via the multivariate generalized propensity score

Justin Williams, Catherine M. Crespi|arXiv (Cornell University)|Aug 31, 2020

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出多变量广义倾向得分（mvGPS）方法，利用观察数据估计多个连续暴露对结果的因果效应。通过假设暴露的多元正态性，mvGPS生成平衡权重以估计剂量-反应曲面，在模拟研究和儿童肥胖干预的真实世界研究中均减少了偏差并改善了协变量平衡。

ABSTRACT

The generalized propensity score (GPS) is an extension of the propensity score for use with quantitative or continuous exposures (e.g., dose of medication or years of education). Current GPS methods allow estimation of the dose-response relationship between a single continuous exposure and an outcome. However, in many real-world settings, there are multiple exposures occurring simultaneously that could be causally related to the outcome. We propose a multivariate GPS method (mvGPS) that allows estimation of a dose-response surface that relates the joint distribution of multiple continuous exposure variables to an outcome. The method involves generating weights under a multivariate normality assumption on the exposure variables. Focusing on scenarios with two exposure variables, we show via simulation that the mvGPS method can achieve balance across sets of confounders that may differ for different exposure variables and reduces bias of the treatment effect estimates under a variety of data generating scenarios. We apply the mvGPS method to an analysis of the joint effect of two types of intervention strategies to reduce childhood obesity rates.

研究动机与目标

• 解决在观察研究中估计多个连续暴露联合因果效应的方法缺乏问题。
• 开发广义倾向得分（GPS）的多变量扩展，以处理多个同时存在的连续暴露。
• 改善协变量平衡，这些协变量可能与不同暴露具有不同的关联性。
• 使用加权回归估计联合暴露效应的剂量-反应曲面。
• 通过模拟和在儿童肥胖干预真实世界研究中的应用验证该方法。

提出的方法

• 假设多个连续暴露变量联合分布的多元正态性。
• 利用给定其他暴露的条件密度，通过多元正态分布推导权重。
• 基于多变量广义倾向得分（mvGPS）生成逆概率权重，以平衡混杂因素。
• 应用加权回归估计结果作为联合暴露值的函数。
• 采用基于凸包的方法定义可估计区域，即暴露组合在观测数据中得到支持的区域。
• 使用多元正态密度计算给定混杂因素的暴露条件概率，以实现权重计算。

实验结果

研究问题

• RQ1 mvGPS方法能否在与暴露具有不同关联性的混杂因素上实现更优的协变量平衡？
• RQ2 与单变量GPS或未加权方法相比，mvGPS在减少治疗效应估计偏差方面表现如何？
• RQ3 在真实世界情境下，两个连续暴露联合效应的剂量-反应曲面形状及其解释是什么？
• RQ4 当违反多元正态性假设或暴露空间维度较高时，该方法表现如何？
• RQ5 mvGPS能否用于识别能最大化或最小化结果的暴露水平最优组合？

主要发现

• 与单变量GPS相比，mvGPS实现了更优的平衡，将混杂因素与暴露之间最大绝对相关性降至0.1以下，平均绝对相关性接近于零。
• 在模拟中，mvGPS在各种数据生成情景下均减少了治疗效应估计的偏差，包括混杂因素与不同暴露具有不同关联性的情况。
• 由mvGPS权重估计的剂量-反应曲面与未加权曲面存在显著差异，表明原始数据中存在显著的混杂。
• 在儿童肥胖干预的应用中，最有效的干预组合被发现是较高水平的微观策略与较低水平的宏观策略。
• 该方法在观测暴露组合的凸包范围内对 positivity 问题表现出鲁棒性，但在高维空间中性能可能下降。
• 尽管假设了多元正态性和 SUTVA，该方法仍为在非随机化研究中估计多个连续暴露的联合因果效应提供了实用框架。