[论文解读] The choice to define competing risk events as censoring events and implications for causal inference

Jessica G. Young, Eric J. Tchetgen Tchetgen+1 more|arXiv (Cornell University)|Jun 15, 2018

Advanced Causal Inference Techniques被引用 6

一句话总结

本文阐明，将竞争风险定义为删失事件对应于一个因果 estimand 的选择，将此选择与标准统计术语（如子分布危险率和特定原因危险率）联系起来。它表明当删失依赖于时变因素时，传统方法会失效，并提出使用 Robins 的 g-公式在这些条件下恢复有效的因果估计。

ABSTRACT

In failure-time settings, a competing risk event is any event that makes it impossible for the event of interest to occur. Different analytical methods are available for estimating the effect of a treatment on a failure event of interest that is subject to competing events. The choice of method depends on whether or not competing events are defined as censoring events. Though such definition has key implications for the causal interpretation of a given estimate, explicit consideration of those implications has been rare in the statistical literature. As a result, confusion exists as to how to choose amongst available methods for analyzing data with competing events and how to interpret effect estimates. This confusion can be alleviated by understanding that the choice to define a competing event as a censoring event or not corresponds to a choice between different causal estimands. In this paper, we describe the assumptions required to identify those causal estimands and provide a mapping between such estimands and standard terminology from the statistical literature---in particular, the terms subdistribution function, subdistribution hazard and cause-specific hazard. We show that when the censoring process depends on measured time-varying risk factors, conventional statistical methods for competing events are not valid and alternative methods derived from Robins's g-formula may recover the causal estimand of interest.

研究动机与目标

• 解决统计文献中关于何时以及为何将竞争事件视为删失的困惑。
• 澄清在存在竞争风险的失效时间分析中效应估计的因果解释。
• 将标准统计术语——子分布危险率、特定原因危险率和子分布函数——映射到不同的因果 estimand。
• 证明当删失依赖于时变风险因素时，传统竞争风险方法在因果推断中无效。
• 倡导使用 Robins 的 g-公式作为此类依赖情况下的有效替代方法来估计因果效应。

提出的方法

• 本文基于是否将竞争事件视为删失，识别出两个不同的因果 estimand。
• 它形式化了识别每个因果 estimand 所需的假设，特别是在时变混杂情况下的假设。
• 它将因果 estimand 与标准统计术语对应起来：子分布危险率对应于不将竞争事件删失的 estimand，而特定原因危险率对应于将竞争事件删失的 estimand。
• 它推导出传统竞争风险方法（如子分布危险率回归）产生有效因果估计的条件。
• 它应用 Robins 的 g-公式来估计当删失依赖于测量的时变风险因素时的因果效应。
• 它提供了一个基于感兴趣的因果 estimand 和删失过程性质选择合适方法的框架。

实验结果

研究问题

• RQ1 在生存分析中，当将竞争事件定义为删失事件时，所估计的因果 estimand 是什么？
• RQ2 子分布危险率和特定原因危险率如何与不同的因果 estimand 相关联？
• RQ3 在什么条件下，传统竞争风险方法在因果推断中无效？
• RQ4 当删失依赖于时变混杂因素时，如何使用 Robins 的 g-公式来估计因果效应？
• RQ5 在存在时变竞争风险的情况下，识别因果效应需要哪些假设？

主要发现

• 将竞争事件定义为删失事件对应于估计一个特定的因果 estimand，而非一般因果效应。
• 子分布危险率对应于不将竞争事件删失的因果 estimand，而特定原因危险率对应于将竞争事件删失的 estimand。
• 当删失过程依赖于时变风险因素时，传统竞争风险方法在因果推断中无效。
• Robins 的 g-公式可以在这种依赖情况下恢复正确的因果 estimand，为标准方法提供有效的替代方案。
• 在 estimand 和方法之间进行选择时，必须基于对数据因果结构的实质性知识。