[论文解读] More robust estimation of sample average treatment effects using Kernel Optimal Matching in an observational study of spine surgical interventions

Nathan Kallus, Brenton Pennicooke+1 more|arXiv (Cornell University)|Nov 10, 2018

Advanced Causal Inference Techniques参考文献 45被引用 8

一句话总结

本文提出核最优匹配（KOM）方法，以在违反 positivity 假设和模型误设的观察性研究中稳健估计样本平均处理效应（SATE）。通过基于核的正则化优化权重，KOM 在一类模型中统一控制偏差与方差，从而产生稳定且低误差的估计结果——在展示融合术加椎板切除术对 ODI 无显著影响时，与随机对照试验结果一致，而 IPTW 方法则错误地显示出显著的处理效应。

ABSTRACT

Inverse probability of treatment weighting (IPTW), which has been used to estimate sample average treatment effects (SATE) using observational data, tenuously relies on the positivity assumption and the correct specification of the treatment assignment model, both of which are problematic assumptions in many observational studies. Various methods have been proposed to overcome these challenges, including truncation, covariate-balancing propensity scores, and stable balancing weights. Motivated by an observational study in spine surgery, in which positivity is violated and the true treatment assignment model is unknown, we present the use of optimal balancing by Kernel Optimal Matching (KOM) to estimate SATE. By uniformly controlling the conditional mean squared error of a weighted estimator over a class of models, KOM simultaneously mitigates issues of possible misspecification of the treatment assignment model and is able to handle practical violations of the positivity assumption, as shown in our simulation study. Using data from a clinical registry, we apply KOM to compare two spine surgical interventions and demonstrate how the result matches the conclusions of clinical trials that IPTW estimates spuriously refute.

研究动机与目标

• 解决 IPTW 在实际 positivity 违反和处理模型误设的观察性研究中的局限性。
• 开发一种方法，统一控制在广泛潜在结果模型类别中 SATE 估计的偏差与方差。
• 提供 IPTW 的稳健替代方法，避免在真实世界临床数据中出现极端权重和不稳定估计。
• 评估 KOM 在标准方法产生误导性结果的脊柱手术注册研究中的表现。
• 证明 KOM 产生的估计结果与随机对照试验一致，从而解决 IPTW 所导致的矛盾。

提出的方法

• KOM 将权重寻找问题表述为约束优化问题，通过再生核希尔伯特空间（RKHS）最小化加权估计量的条件均方误差（MSE）。
• 该方法使用核函数灵活建模协变量与处理分配之间的复杂非线性关系，实现对可观测混杂因素的最优平衡。
• KOM 通过正则化同时控制偏差与方差，避免对正确倾向得分模型设定的依赖。
• 通过凸规划求解优化问题，确保全局最优性和计算稳定性。
• KOM 允许通过多项式核及其他核函数灵活建模混杂因素，适应数据结构，无需对函数形式作先验假设。
• 在模拟和真实数据中，将该方法与 IPTW、tIPTW、PSM、RA、CBPS 和 SBW 进行比较，通过 MSE 及对模型误设的稳健性评估性能。

实验结果

研究问题

• RQ1 能否开发一种方法，在同时存在实际 positivity 违反和模型误设的情况下稳健估计 SATE？
• RQ2 当处理分配模型误设时，KOM 与 IPTW 及其他加权方法在偏差、方差和稳定性方面有何差异？
• RQ3 在 positivity 有限的真实世界脊柱手术注册研究中，KOM 是否产生与随机对照试验一致的估计结果？
• RQ4 选择核函数阶次（从线性到五次）如何影响估计处理效应的稳定性和大小？
• RQ5 KOM 是否能自动捕捉非线性和非加性混杂结构，而无需显式指定模型？

主要发现

• 与单纯椎板切除术相比，KOM 对融合术加椎板切除术在 ODI 上的估计处理效应为 0.5 分（标准误：4.4），该结果在统计上不显著。
• 相比之下，IPTW 估计出显著的正向效应为 9.7 分（标准误：4.6），与两项近期随机对照试验结果相矛盾。
• 当多项式阶次从线性增加到五次时，KOM 的估计值从 4.6 分（p<0.05）稳定下降至 0.7 分（p>0.05），表明其稳定收敛至与试验一致的结果。
• IPTW 的估计在不同阶次间极不稳定，符号和显著性水平频繁切换，表明对模型设定高度敏感。
• 模拟研究显示，在模型误设条件下，KOM 在偏差和均方误差方面均一致优于 IPTW、tIPTW、PSM、RA、CBPS 和 SBW。
• KOM 有效缓解了极端权重的影响——IPTW 方法中 28 名患者被赋予超过 1,000 的权重，而 KOM 通过正则化避免了此类异常值。