[论文解读] Within-Person Variability Score-Based Causal Inference: A Two-Step Semiparametric Estimation for Joint Effects of Time-Varying Treatments

Satoshi Usami|arXiv (Cornell University)|Jul 8, 2020

Advanced Causal Inference Techniques被引用 8

一句话总结

本文提出了一种两步半参数方法，用于在具有时变连续处理的纵向研究中进行因果推断，利用个体内部变异度量来分离个体内部效应与稳定的特质混杂因素。通过利用结构方程模型提取个体内部变异，并应用G估计的结构嵌套均值模型，该方法实现了稳健的因果估计，在未观测到稳定特质的情况下显著降低了偏差。

ABSTRACT

Behavioral science researchers have recently shown strong interest in disaggregating within- and between-person effects (stable traits) from longitudinal data. In this paper, we propose a method of within-person variability score-based causal inference for estimating joint effects of time-varying continuous treatments by effectively controlling for stable traits as time-invariant unobserved confounders. After conceptualizing stable trait factors and within-person variability scores, we introduce the proposed method, which consists of a two-step analysis. Within-person variability scores for each person, which are disaggregated from stable traits of that person, are first calculated using weights based on a best linear correlation preserving predictor through structural equation modeling. Causal parameters are then estimated via a potential outcome approach, either marginal structural models (MSMs) or structural nested mean models (SNMMs), using calculated within-person variability scores. We emphasize the use of SNMMs with G-estimation because of its doubly robust property to model errors. Through simulation and empirical application to data regarding sleep habits and mental health status from the Tokyo Teen Cohort study, we show that the proposed method can recover causal parameters well and that causal estimates might be severely biased if one does not properly account for stable traits.

研究动机与目标

• 解决在具有时变处理的纵向研究中，未观测到的稳定特质作为时不变混杂因素所带来的挑战。
• 在行为科学数据中，将个体内部变异效应与个体间稳定特质效应分离。
• 开发一种方法，实现在稳定特质未被观测但同时影响处理和结果的情况下，实现有效的因果推断。
• 通过使用个体内部变异度量作为时变处理效应的代理变量，控制未测量的混杂因素，从而提高估计精度。
• 通过模拟和对睡眠与心理健康数据的实证应用，展示该方法的稳健性和有效性。

提出的方法

• 首先，基于结构方程模型的最优线性相关性保持预测器，为每个个体提取个体内部变异度量，将其与稳定特质分量分离。
• 该方法使用基于结构方程模型推导出的权重，以确保个体内部变异度量保留原始时变处理的相关性结构。
• 第二步，使用潜在结果框架，特别是采用G估计的结构嵌套均值模型（SNMMs），以实现双重稳健性。
• 该方法利用边际结构模型（MSMs）或SNMMs，但强调SNMMs，因其对模型误设具有双重稳健性。
• 该方法将个体内部变异度量视为感兴趣的暴露变量，从而在调整未观测到的稳定特质的同时，实现对处理效应的联合估计。
• 在SNMMs中使用G估计，以确保即使其中一个结果模型或处理模型被误设，也能实现一致估计。

实验结果

研究问题

• RQ1 在纵向数据中，个体内部变异度量在多大程度上能有效将时变处理效应与稳定特质混杂因素分离？
• RQ2 当稳定特质未被观测时，与标准方法相比，该方法在减少偏差方面表现如何？
• RQ3 在存在时变连续处理和因稳定特质导致的未测量混杂因素的情境下，该方法能否恢复真实的因果效应？
• RQ4 在模型误设情况下，该方法的性能如何，特别是其稳健性表现如何？
• RQ5 在现实世界的行为科学数据中，如睡眠习惯和心理健康结果，该方法表现如何？

主要发现

• 当稳定特质未被观测且作为混杂因素时，所提出的方法能以极小偏差成功恢复因果参数。
• 当未适当地控制稳定特质时，因果估计出现严重偏差，凸显了控制这些特质的重要性。
• 采用G估计的SNMMs提供了双重稳健估计，在模型误设情况下仍能保持一致性。
• 模拟结果表明，个体内部变异度量能有效捕捉独立于稳定特质的时变处理效应。
• 对东京青少年队列数据的实证应用证实，该方法产生的因果估计比传统方法更可靠。
• 该方法在真实世界的行为科学数据中，表现出强大的能力，能够有效分离个体内部效应与稳定特质的影响。