[论文解读] Generalizing causal inferences from randomized trials: counterfactual and graphical identification

Issa J Dahabreh, James M. Robins+2 more|arXiv (Cornell University)|Jun 26, 2019

Advanced Causal Inference Techniques参考文献 45被引用 22

一句话总结

本文提出了一种反事实与图模型框架，用于识别在何种条件下，随机试验中的因果效应可推广至试验合格个体的目标人群。该研究引入一种假设性干预，以扩大试验参与（邀请与参与）及治疗分配，并表明推广性要求对参与对结果的直接影响进行建模，且当此类直接影响存在或不存在时，可使用g-公式或逆概率加权法进行识别。

ABSTRACT

When engagement with a randomized trial is driven by factors that affect the outcome or when trial engagement directly affects the outcome independent of treatment, the average treatment effect among trial participants is unlikely to generalize to a target population. In this paper, we use counterfactual and graphical causal models to examine under what conditions we can generalize causal inferences from a randomized trial to the target population of trial-eligible individuals. We offer an interpretation of generalizability analyses using the notion of a hypothetical intervention to "scale-up" trial engagement to the target population. We consider the interpretation of generalizability analyses when trial engagement does or does not directly affect the outcome, highlight connections with censoring in longitudinal studies, and discuss identification of the distribution of counterfactual outcomes via g-formula computation and inverse probability weighting. Last, we show how the methods can be extended to address time-varying treatments, non-adherence, and censoring.

研究动机与目标

• 解决当试验参与者不代表所有合格个体时，将随机试验中的因果效应推广至目标人群的挑战。
• 正式建模邀请参与与实际参与之间的区别，承认其对结果的潜在直接影响。
• 开发一个框架，利用结构因果模型与do-演算，识别目标人群中反事实结果的分布。
• 将推广性方法扩展至具有时变治疗、非依从性与删失的情境。
• 阐明当参与影响结果时，推广性分析识别的是同时扩大参与与治疗分配的效应，而非仅治疗本身的效应。

提出的方法

• 使用潜在结果与反事实方法，定义目标人群中试验合格个体的因果估计量。
• 使用带选择节点的有向无环图（DAGs）表示试验中邀请（R）与参与（S）的过程。
• 应用do-演算，识别对联合干预R=1、S=1与Z=z的效应，以模拟扩大试验参与与治疗分配。
• 利用g-公式推导识别公式，计算在假设干预下反事实结果的分布。
• 当g-公式不可行或数据缺失时，使用逆概率加权（IPW）作为替代识别策略。
• 通过建模强制依从与消除删失的干预，将框架扩展至处理时变治疗、非依从性与删失的情境。

实验结果

研究问题

• RQ1 在何种条件下，可将随机试验中估计的因果效应推广至试验合格个体的目标人群？
• RQ2 当试验参与（邀请与参与）对结果存在直接影响时，如何影响可推广因果效应的可识别性？
• RQ3 在从试验推广至目标人群时，正确的因果估计量是什么？如何通过反事实与图模型进行识别？
• RQ4 当试验参与不直接影响结果时，如何评估推广性？这与存在直接参与效应的情境有何不同？
• RQ5 所提出的框架能否扩展至具有时变治疗、非依从性与删失的情境？

主要发现

• 从试验向目标人群推广，要求将邀请（R）与参与（S）建模为可能直接影响结果的独立过程。
• 当参与对结果存在直接影响时，推广性分析识别的是同时扩大参与与分配治疗的联合效应，而非仅治疗本身。
• 在条件独立性假设成立时，可通过g-公式识别对R、S与Z的联合干预下反事实结果的分布。
• 逆概率加权提供了一种替代识别策略，尤其在g-公式计算或统计上具有挑战性时尤为有用。
• 通过建模强制依从与消除删失的干预，该框架可自然扩展至具有时变治疗、非依从性与删失的情境。
• 本文阐明，当参与具有直接影响时，先前假设给定X下S的条件独立性可能被误解；此类假设仅在参与效应可忽略时才有效。