観察データを用いた因果推論に共変量選択
0 likes1,698 views
Review: VanderWeele, Tyler J., 2019, Principles of Confounder Selection, European Journal of Epidemiology, 34(3): 211-219. 社会科学方法論研究会 4月例会の報告資料です。 (最終版は報告当日、報告者のHPから参照してください。)
![Notation and Definitions
A: 処置 (exposure)
Y: 結果 (outcome)
Ya: A = a を受けた場合の潜在的結果
C: Weak ignorability を満たすための、観察された共変量
Weak ignorability を前提
C を統制すれば A と Ya は独立
Ya ⊥ A|C
処置 A の因果効果は
E[Y1 −Y0|c] = E[Y|A = 1,c]−E[Y|A = 0,c]
Song (Waseda WIAS) Confounder Selection 2019/04/23 2 / 21](https://image.slidesharecdn.com/slide3-190422092643/85/-3-320.jpg)
観察データを用いた因果推論に共変量選択
- 1. Review: VanderWeele, Tyler J., 2019, Principles of Confounder Selection, European Journal of Epidemiology, 34(3): 211–219. 社会科学方法論研究会 4 月例会 Jaehyun Song 早稲田大学 高等研究所 2019 年 4 月 23 日
- 2. 概要 観察データを用いた因果推論における共変量選択基準 既存の方法の限界 1 Pretreatment criterion 2 Common cause approach 3 Statistical confounder selection Modified disjunctive cause criterion のすゝめ Song (Waseda WIAS) Confounder Selection 2019/04/23 1 / 21
- 3. Notation and Definitions A: 処置 (exposure) Y: 結果 (outcome) Ya: A = a を受けた場合の潜在的結果 C: Weak ignorability を満たすための、観察された共変量 Weak ignorability を前提 C を統制すれば A と Ya は独立 Ya ⊥ A|C 処置 A の因果効果は E[Y1 −Y0|c] = E[Y|A = 1,c]−E[Y|A = 0,c] Song (Waseda WIAS) Confounder Selection 2019/04/23 2 / 21
- 4. 方法 1: Pretretment Criterion (PC) 処置前に測定された変数を投入 U2 L A Y U1 ?? GG U は観察されていない要因 この基準だと L は統制すべき しかし、A–U1–L–U2–Y のバックドアが開かれ、バイアスが発生 ⇒ M-bias A と Y の関係を見るには、共変量は不要 Song (Waseda WIAS) Confounder Selection 2019/04/23 3 / 21
- 5. M-bias N = 1000; 全ての誤差項は Normal(0,1) と仮定 (Fig2.R) U2 2 −2 εL // L A Y εY oo U1 1 ?? 2 GG εA OO 共変量なしモデル ( ˆY = α + β ·A) β = −0.035 (p = 0.248) 共変量ありモデル ( ˆY = α + γ1 ·A+ γ2 ·L) γ1 = 0.479 (p 0.001) Song (Waseda WIAS) Confounder Selection 2019/04/23 4 / 21
- 6. M-bias を避けるためには L を統制しなければ問題なし そのためには因果ダイアグラム内の共変量間の関係に関してほぼ完 全な知識が必要 ⇒ 現実的ではない Song (Waseda WIAS) Confounder Selection 2019/04/23 5 / 21
- 7. 方法 2: Common Cause Approach (CCA) 処置変数と結果変数、両方に影響を与える処置前変数を投入 U // ## C // A // Y A と Y 間の変数のみに限定されるため、PC より少ない情報で ⃝ A と Y 両方の原因となる変数が ˙全 ˙て特定できれば、処置効果の推定 が可能 U は観察済みであり、C は Y の直接の原因ではないため、統制すべ きではない しかし ... Song (Waseda WIAS) Confounder Selection 2019/04/23 6 / 21
- 8. CCA の限界 N = 1000; 全ての誤差項は Normal(0,1) と仮定 (Fig3.R) U 2 // 5 $$ C 3 // A 4 // Y εC OO εA OO εY OO 共変量なしモデル ( ˆY = α + β ·A) β = 4.809 (p 0.001) 共変量ありモデル ( ˆY = α + γ1 ·A+ γ2 ·C) γ1 = 3.900 (p 0.001) ⇒ C は common cause ではないが、統制した方が良い Song (Waseda WIAS) Confounder Selection 2019/04/23 7 / 21
- 9. 両基準の比較 Pretretment Criterion 基準を満たす共変量を統制することによってバイアスが発生 too liberal Common Cause Approach 基準を満たさない共変量を統制しないことによってバイアスが発生 too conservative Song (Waseda WIAS) Confounder Selection 2019/04/23 8 / 21
- 10. 方法 3: Disjunctive Cause Criterion (DCC) 処置と結果、どちらか、あるいは両方を引き起こす変数を統制 Fig.2 の例 PC: L は A の処置前変数なので統制 ⃝ → バイアス ⃝ DCC: L は A を引き起こさないので統制 × → バイアス × Fig.3 の例 CCA: C は Y を引き起こさないため統制 × → バイアス ⃝ DCC: L は A を引き起こすので統制 ⃝ → バイアス × 因果ダイアグラム内の変数が全て揃っているとしても、既存の 2 つ の方法はバイアスが生じうる ⇔ 因果ダイアグラム内の変数が全て揃っている場合、DCC はバイアス を最小化する Song (Waseda WIAS) Confounder Selection 2019/04/23 9 / 21
- 11. Z-bias DCC も万能ではない U Z // A // Y DCC によると、Z は統制すべき (実は)Z は A のみを経由して Y を引き起こす操作変数 操作変数の投入はバイアスを引き起こしうる Z-bias Song (Waseda WIAS) Confounder Selection 2019/04/23 10 / 21
- 12. Z-bias N = 1000; 全ての誤差項は Normal(0,1) と仮定 (Fig4.R) U 3 6 εA Z 2 // A 5 // Y εY oo 共変量なしモデル ( ˆY = α + β ·A) β = 5.885 (p 0.001) 共変量ありモデル ( ˆY = α + γ1 ·A+ γ2 ·Z) γ1 = 6.977 (p 0.001) Song (Waseda WIAS) Confounder Selection 2019/04/23 11 / 21
- 13. 代理変数の利用 DCC を満たさなくても代理変数 (proxy) が有効な時も U // A // Y C 観察されていない U の代理変数として C を利用 C は A も Y も引き起こさないため、DCC だと投入しない しかし、代理変数を使うことでバイアスが小さくなる場合も ただし、代理変数の使用がバイアスの減少を保証するのではない 代理変数の選択は慎重に行うこと。場合によっては M-bias の原因に なり得る A と Y 両方を引き起こす変数の代理変数を使うこと Song (Waseda WIAS) Confounder Selection 2019/04/23 12 / 21
- 14. 代理変数を使うのは恥でもないし、役に立つ N = 1000; 全ての誤差項は Normal(0,1) と仮定 (Fig5.R) U 4 7 ##2 // A 6 // Y εY oo εC // C εA __ 代理変数なしモデル ( ˆY = α + β ·A) β = 9.479 (p 0.001) 代理変数ありモデル ( ˆY = α + γ1 ·A+ γ2 ·C) γ1 = 6.571 (p 0.001) Song (Waseda WIAS) Confounder Selection 2019/04/23 13 / 21
- 15. 方法 4: Modified Disjunctive Cause Criterion 1 処置変数と結果変数の ˙ど ˙ち ˙ら ˙かの原因となる変数 2 処置変数と結果変数の ˙両 ˙方の原因となる変数 3 ˙操 ˙作 ˙変 ˙数の統制は避ける 4 上記の条件を満たさなくても未観察の変数の ˙代 ˙理 ˙変 ˙数 代理変数の選択は慎重に 代理変数は、処置と結果両方を引き起こす変数の代理変数がベスト Song (Waseda WIAS) Confounder Selection 2019/04/23 14 / 21
- 16. 交絡要因のタイミング 1 Wave データ利用時 Case 1. BMI zz %% Activity // Disease Case 2. BMI %% Activity :: Disease Modified DCC の則ると ... Case 1 の場合、BMI は統制 ⃝ Case 2 の場合、BMI は統制 × (パスがブロックされる = overconditioning) Confounder? Mediator? Song (Waseda WIAS) Confounder Selection 2019/04/23 15 / 21
- 17. 交絡要因のタイミング パネルデータ利用時 BMI zz Activity // Disease パネルデータで、BMI と Activity が毎回測定されている場合、前期の BMI を統制することで、Activity の効果量が推定可能 Song (Waseda WIAS) Confounder Selection 2019/04/23 15 / 21
- 18. Statistical Confounder Selection 統計的共変量選択アプローチ 因果ダイアグラムの知識が制約されている時にも利用可能 共変量が多く、N が適切 (modest) な場合に有効 ただし、理論に基づいて共変量を検討することが不可能 因果推論よりも倹約的 (pasimonious) なモデルを構築に向いている 例) 変数増加法 (Forward selection) / 変数減少法 (Backward selection) Change-in-estimate 法 High-dimensional Propensity Score 機械学習 正則化回帰分析 (Ridge, Lasso, Elastic net など) も?(本文にはない) Song (Waseda WIAS) Confounder Selection 2019/04/23 16 / 21
- 19. Forward/Backward Selection 因果ダイアグラム内の全ての変数が測定済みの場合、Forward/Backward Selection は正しく共変量を選択する あまり現実的な仮定ではない 共変量選択に使われたデータは実証に使うべきではない Data-driven な方法であるため、新しくデータを収集すべき データを分割して、探索用・分析用に使うのは精度 (precision) の問題 サンプルサイズ・変数の数の問題 N が小さく、共変量が多いと、飽和モデルに近いモデルが含まれる Song (Waseda WIAS) Confounder Selection 2019/04/23 17 / 21
- 20. Change-in-Estimate 共変量が追加されることで因果効果 (or p 値) が閾値以上変化したか否か で判断 閾値は主に 10% 因果効果を特定するに必要な共変量を用意する必要あり Forward/Backward Selection と同様 ハザード比やオッズ比には使えない Song (Waseda WIAS) Confounder Selection 2019/04/23 18 / 21
- 21. High-dimensional Propensity Score Apparent Relative Risk Ratio に基づく選択 共変量と応答変数間の相対リスク比と Apparent 相対リスク比を計算 Apparent 相対リスク比が高い順位で共変量を選択 上位 10%など 応答変数との連関 (association) が小さい共変量を効果的に除去可能 応答変数との関係が一つずつ評価されるため、因果ダイアグラム上の 共変量が全て揃っていても、理論的には最善の結果を保証されない Song (Waseda WIAS) Confounder Selection 2019/04/23 19 / 21
- 22. Machine Learning 最尤法と交差検証法 (Cross validation) を用いた方法 学習のために、Large-N が必要 開発途上であるため、更に研究が必要 Song (Waseda WIAS) Confounder Selection 2019/04/23 20 / 21
- 23. Conclusion 手元にあるデータから最善の選択を導く方法 Modified Disjunctive Cause Criterion 1 処置変数と結果変数の ˙ど ˙ち ˙ら ˙かの原因となる変数 2 処置変数と結果変数の ˙両 ˙方の原因となる変数 3 ˙操 ˙作 ˙変 ˙数の統制は避ける 4 上記の条件を満たさなくても未観察の変数の ˙代 ˙理 ˙変 ˙数は ⃝ ただし、代理変数の選択は慎重に行うこと 因果効果を推論するために十分 (suffice) な共変量のセット (total set) が用 意されている場合、統計的共変量選択法も有効だが、探索に使った データを分析に使うのは不適切 金が余りすぎて邪魔ならいいかも Song (Waseda WIAS) Confounder Selection 2019/04/23 21 / 21