[论文解读] Residual Balancing Weights for Marginal Structural Models: with Application to Analyses of Time-varying Treatments and Causal Mediation

Xiang Zhou, Geoffrey T. Wodtke|arXiv (Cornell University)|Jul 28, 2018

Advanced Causal Inference Techniques参考文献 17被引用 3

一句话总结

本文提出了用于边际结构模型（MSMs）的残差平衡权重，通过建模治疗诱导的混杂因素均值而非暴露分布，为逆概率加权（IPW）提供了一种更稳健、更高效的方法。该方法在时变治疗和中介分析中表现更优，尤其适用于连续暴露，且在模拟中展现出更优的小样本性质和对模型误设的鲁棒性。

ABSTRACT

Treatment-induced confounding arises in analyses of time-varying treatments and also causal mediation where post-treatment variables affect both the mediator and outcome. In such settings, researchers often use marginal structural models (MSMs) with inverse probability weighting (IPW). However, IPW requires models for the conditional distributions of exposure to treatment and/or a mediator and is highly sensitive to their misspecification. Moreover, IPW is relatively inefficient, susceptible to finite-sample bias, and difficult to use with continuous exposures. We introduce an alternative method of constructing weights for MSMs, which we call balancing. In contrast to IPW, it requires modeling the conditional means of the treatment-induced confounders rather than the conditional distributions of exposure to treatment and/or a mediator, and it is therefore easier to use with continuous exposures. Using numeric simulations, we show that residual balancing is both more efficient and more robust to model misspecification compared with IPW and its variants. We illustrate the method by estimating (a) the cumulative effect of negative advertising on election outcomes and (b) the controlled direct effect of exposure to an impoverished neighborhood on child academic achievement while controlling for classroom size in a child's school. Open source software is available for implementing the proposed method.

研究动机与目标

• 解决逆概率加权（IPW）在边际结构模型中的局限性，包括对模型误设的敏感性以及小样本下的效率低下问题。
• 克服在分析时变治疗和因果中介时的挑战，其中治疗诱导的混杂因素同时影响中介变量和结局。
• 通过建模混杂因素的条件均值而非暴露分布，简化连续暴露的加权过程。
• 在模型误设和小样本量下，提升边际结构模型的估计效率和稳健性。
• 为具有复杂治疗动态的因果推断场景中的应用研究者提供一种实用且开源的实现方案。

提出的方法

• 提出残差平衡权重，通过在治疗组之间平衡治疗诱导混杂因素的均值，替代对暴露机制的建模需求。
• 通过最小化调整协变量后的混杂因素均值残差不平衡来构建权重，使用惩罚不平衡的损失函数。
• 通过将混杂因素均值对协变量进行回归来估计权重，避免对暴露或中介的条件分布进行建模。
• 在边际结构模型中应用所得权重以估计平均因果效应，如累积治疗效应或控制直接效应。
• 采用两阶段估计流程：首先使用灵活模型估计混杂因素均值；其次推导在不同治疗水平间平衡这些均值的权重。
• 通过避免对暴露或中介密度的建模，使方法适用于连续暴露，从而克服传统IPW的关键局限。

实验结果

研究问题

• RQ1 在模型误设条件下，残差平衡在估计因果效应时与IPW相比在偏差和效率方面表现如何？
• RQ2 残差平衡能否有效处理IPW难以实施的边际结构模型中连续暴露的情形？
• RQ3 在时变治疗和治疗后混杂的设定下，残差平衡的表现如何？
• RQ4 在因果中介分析中，残差平衡对控制直接效应的估计效果如何？
• RQ5 在小到中等样本量下，残差平衡是否保持良好的小样本性质？

主要发现

• 在小样本中，残差平衡在模型误设条件下表现出比IPW及其变体更低的偏差和更高的效率。
• 与依赖暴露或中介分布正确建模的IPW相比，该方法在混杂因素模型误设下表现出更强的稳健性。
• 残差平衡实现了对连续暴露的可靠估计，而传统IPW在这些情况下通常不可行或不稳定。
• 在模拟中，即使暴露模型被误设，残差平衡仍保持良好的覆盖率和精度。
• 在中介设定下，残差平衡在估计累积治疗效应和控制直接效应方面均优于IPW。
• 已开发并验证了一个开源实现，使该方法在实际因果推断研究中得以广泛应用。