[论文解读] Identification and Estimation of Causal Effects with Outcomes Truncated by Death

Linbo Wang, Xiao‐Hua Zhou+1 more|arXiv (Cornell University)|May 17, 2016

Advanced Causal Inference Techniques被引用 8

一句话总结

本文提出了一种新颖的识别与估计方法，用于在结果因死亡而截断的研究中分析幸存者平均因果效应（SACE）。通过引入一个替代变量，该变量的作用类似于条件工具变量，该方法在弱于以往研究的假设下识别SACE，从而在随机化研究和观察性研究中均能实现有效的因果推断，同时允许存在与生存和结果相关的可观测共同原因。

ABSTRACT

It is common in medical studies that the outcome of interest is truncated by death, meaning that a subject has died before the outcome could be measured. In this case, restricted analysis among survivors may be subject to selection bias. Hence, it is of interest to estimate the survivor average causal effect, defined as the average causal effect among the subgroup consisting of subjects who would survive under either exposure. In this paper, we consider the identification and estimation problems of the survivor average causal effect. We propose to use a substitution variable in place of the latent membership in the always-survivor group. The identification conditions required for a substitution variable are conceptually similar to conditions for a conditional instrumental variable, and may apply to both randomized and observational studies. We show that the survivor average causal effect is identifiable with use of such a substitution variable, and propose novel model parameterizations for estimation of the survivor average causal effect under our identification assumptions. Our approaches are illustrated via simulation studies and a data analysis.

研究动机与目标

• 解决因死亡导致测量前结果未定义所引发的选择偏差问题。
• 在标准假设失效时识别幸存者平均因果效应（SACE），特别是在存在生存与结果的共同原因时。
• 开发一种适用于随机试验和观察性研究的方法，放宽对单调性与排除限制等严格假设的要求。
• 提供模型参数化方法，以确保识别假设与分布假设之间的兼容性，从而实现估计。
• 利用基线协变量作为潜在始终存活群体成员身份的替代变量，实现SACE的估计。

提出的方法

• 引入一个替代变量，作为潜在始终存活群体成员身份的代理，类似于条件工具变量。
• 在与条件工具变量假设在概念上相似的假设下，建立SACE的识别，允许存在可观测的共同原因。
• 提出潜在结果和生存概率的新型参数化模型，确保与识别假设兼容。
• 利用基线协变量建模控制条件下生存概率及潜在结果的条件期望。
• 采用参数化模型对潜在结果和生存进行建模，避免依赖标准倾向得分方法，因为基线协变量在此处具有独特作用。
• 在替代假设下提供估计框架，包括放宽单调性和排除限制，并考虑敏感性分析。

实验结果

研究问题

• RQ1 在存在生存与结果的共同原因时，是否可以在不依赖排除限制或单调性假设的情况下识别幸存者平均因果效应？
• RQ2 当始终存活群体不可观测时，如何利用替代变量识别SACE？
• RQ3 哪些模型参数化方法与识别假设兼容，从而能够实现SACE的估计？
• RQ4 当关键假设被违反时，该方法表现如何？需要怎样的敏感性分析框架？
• RQ5 该方法能否扩展到具有多个暴露水平或有序暴露的情境？

主要发现

• 在所提出的替代变量框架下，幸存者平均因果效应是可识别的，即使存在生存与结果的共同原因。
• 该方法可在随机化研究和观察性研究中实现有效的因果推断，克服了以往方法对强排除限制或单调性假设的依赖。
• 通过潜在结果和生存的参数化模型实现估计，其特定参数化确保与识别条件兼容。
• 模拟研究和数据分析表明，所提出的估计方法在各种识别假设下均具有可行性与良好性能。
• 通过引入替代模型假设，可放宽单调性和排除限制，但正式推断需依赖敏感性分析以应对非识别性和抽样变异性。