[论文解读] Semiparametric estimation of structural failure time model in continuous-time processes

Shu Yang, Karen S. Pieper+1 more|arXiv (Cornell University)|Aug 20, 2018

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出了一种用于连续时间观察性研究中结构失效时间模型的半参数双重稳健估计量，解决了时变混杂和依赖性删失问题，且无需对数据进行人为离散化。通过利用基于鞅的识别方法和删失概率的逆概率加权，该方法在处理过程或失效时间模型任一正确设定时均可实现一致估计，从而通过重抽样实现有效推断。

ABSTRACT

Structural failure time models are causal models for estimating the effect of time-varying treatments on a survival outcome. G-estimation and artificial censoring have been proposed to estimate the model parameters in the presence of time-dependent confounding and administrative censoring. However, most of existing methods require manually preprocessing data into regularly spaced data, which may invalidate the subsequent causal analysis. Moreover, the computation and inference are challenging due to the non-smoothness of artificial censoring. We propose a class of continuous-time structural failure time models, which respects the continuous time nature of the underlying data processes. Under a martingale condition of no unmeasured confounding, we show that the model parameters are identifiable from potentially infinite estimating equations. Using the semiparametric efficiency theory, we derive the first semiparametric doubly robust estimators, in the sense that the estimators are consistent if either the treatment process model or the failure time model is correctly specified, but not necessarily both. Moreover, we propose using inverse probability of censoring weighting to deal with dependent censoring. In contrast to artificial censoring, our weighting strategy does not introduce non-smoothness in estimation and ensures that the resampling methods can be used to make inference.

研究动机与目标

• 开发一种尊重纵向数据自然时间特性的连续时间结构失效时间模型，避免人为离散化。
• 解决在连续时间中治疗和混杂因素动态演变的观察性生存研究中的时变混杂问题。
• 构建一种半参数估计量，具备双重稳健性，确保若治疗过程或失效时间模型任一正确设定，则估计具有一致性。
• 通过逆概率删失加权（IPCW）处理依赖性删失，避免因人为删失方法导致的不光滑问题。
• 通过确保估计方程的光滑性，实现基于重抽样的有效推断。

提出的方法

• 利用治疗与潜在基线失效时间之间的分布关系，形式化定义连续时间结构失效时间模型，放宽了保序性假设。
• 施加鞅条件以实现无未观测混杂，从而从潜在的无限估计方程中识别模型参数。
• 基于高效得分理论推导出一类正则渐近线性半参数估计量，包括半参数高效估计量。
• 提出该类中计算上可行且保持双重稳健性的最优估计量。
• 使用逆概率删失加权（IPCW）调整依赖性删失，避免不光滑性，并支持基于自助法的推断。
• 应用l1-惩罚回归拟合删失和治疗过程的异质性模型，确保在高维设定下的稀疏性和稳定性。

实验结果

研究问题

• RQ1 能否开发一种连续时间结构失效时间模型，避免在纵向观察性研究中对数据进行离散化？
• RQ2 在存在时变混杂和依赖性删失的情况下，所提出的估计量是否仍保持双重稳健性？
• RQ3 逆概率删失加权能否替代人为删失方法以保持光滑性并支持基于重抽样的推断？
• RQ4 在模型设定错误的情况下，所提出的估计量与现有离散时间方法相比表现如何？
• RQ5 在有限样本中，若治疗过程或失效时间模型设定错误，对估计量偏差和置信区间覆盖的影响如何？

主要发现

• 所提出的双重稳健估计量在治疗过程模型或失效时间模型任一正确设定时，即使另一模型设定错误，仍能保持一致估计。
• 在删失模型正确设定下，所提出的基于IPCW的估计量在模拟中覆盖率达接近名义上的95%水平。
• 当删失模型设定错误时，覆盖率显著下降（例如从61.6%降至81.4%），但双重稳健估计量仍表现出相较于朴素估计或仅IPCW方法更低的偏差。
• 基于最优异质性模型（c^opt）的估计量在所有模拟设定中均表现出最低的偏差和均方误差。
• 离散时间g-估计量（ψ_disc）在连续时间数据下表现极差，显示出极端偏差（例如ψ* = 0.5时偏差达-1.09），凸显了连续时间方法的必要性。
• 在实际应用中，l1-惩罚Cox模型被成功用于估计删失和治疗过程的基线与时变风险函数，实现了高维调整。