[论文解读] Estimation of Effects of Sequential Treatments by Reparameterizing Directed Acyclic Graphs

James M. Robins, Larry Wasserman|arXiv (Cornell University)|Feb 6, 2013

Advanced Causal Inference Techniques参考文献 10被引用 60

一句话总结

本文提出使用结构嵌套模型替代标准的条件概率参数化方法，对有向无环图（DAGs）进行重参数化，以改进对序列治疗效应的估计。通过直接建模反事实结果，该方法避免了因对治疗后变量进行条件化而产生的偏差，从而在存在时变混杂因素的纵向研究中实现对动态治疗效应的一致估计。

ABSTRACT

The standard way to parameterize the distributions represented by a directed acyclic graph is to insert a parametric family for the conditional distribution of each random variable given its parents. We show that when one's goal is to test for or estimate an effect of a sequentially applied treatment, this natural parameterization has serious deficiencies. By reparameterizing the graph using structural nested models, these deficiencies can be avoided.

研究动机与目标

• 解决标准DAG参数化方法在估计顺序应用治疗效应时的局限性。
• 识别在估计动态治疗效应时，传统条件概率参数化方法可能引入的偏差。
• 开发一种基于结构嵌套模型的重参数化策略，以更好地捕捉顺序治疗情境下的因果效应。
• 即使混杂因素受先前治疗影响，也能实现治疗效应的一致估计。

提出的方法

• 用直接建模反事实结果的结构嵌套模型替代标准的条件概率参数化方法。
• 利用潜在结果框架定义顺序治疗方案中的因果效应。
• 将每个阶段的治疗效应建模为先前治疗和混杂因素历史的函数。
• 对不同治疗序列下的平均响应施加结构假设，以识别因果效应。
• 应用g-估计技术，从未观察数据中估计结构嵌套模型的参数。
• 通过避免对治疗后混杂因素进行条件化，确保因果效应的识别，从而避免因果路径的扭曲。

实验结果

研究问题

• RQ1 当混杂因素受先前治疗影响时，标准DAG参数化方法在估计顺序治疗效应时为何会失效？
• RQ2 何种替代参数化方法可在存在时变混杂因素的情况下实现对动态治疗效应的一致估计？
• RQ3 在纵向研究中，与条件概率模型相比，结构嵌套模型能否改善因果效应估计？
• RQ4 如何建模反事实分布以避免因治疗后混杂因素导致的偏差？
• RQ5 在所提出的重参数化方法下，哪些条件可确保顺序治疗效应的识别？

主要发现

• 通过条件分布对DAG进行标准参数化，在混杂因素受先前治疗影响时，会导致对顺序治疗效应的估计产生偏差。
• 使用结构嵌套模型进行重参数化可避免对治疗后变量进行条件化，从而消除了偏差的主要来源。
• 该方法即使在存在时变混杂因素的情况下，也能实现对动态治疗效应的一致估计。
• 通过在不同治疗序列下对平均响应施加结构假设，实现了因果效应的识别。
• 该方法为具有复杂治疗史的纵向研究中的g-估计提供了一个正式框架。
• 该方法在潜在结果理论基础上具有坚实的理论基础，为因果推断中治疗后混杂问题提供了解决方案。