Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
G-methods for time-varying treatments (Causal i...
Search
Shuntaro Sato
November 25, 2020
Science
0
3.1k
G-methods for time-varying treatments (Causal inference: What if, Chapter 21-1)
Keywords: 因果推論, Time-varying, G-formula, IP weighting, Doubly robust estimation
Shuntaro Sato
November 25, 2020
Tweet
Share
More Decks by Shuntaro Sato
See All by Shuntaro Sato
TRIPOD+AI Expandedチェックリスト 有志翻訳による日本語版 version.1.1
shuntaros
0
100
仮説検定とP値
shuntaros
8
9.6k
Target trial emulationの概要
shuntaros
2
3.1k
Win ratio その2
shuntaros
0
470
Win ratioとは何か?
shuntaros
0
2.6k
ICH E9 (R1) 臨床試験のための統計的原則〜中間事象に対するストラテジー
shuntaros
1
1k
「回帰分析から分かること」と「変数選択」
shuntaros
16
19k
対照群がない研究デザインで効果を推定する(時系列分断デザイン・自己対照研究デザイン)
shuntaros
5
5.5k
自己対照デザイン:ケースクロスオーバーデザイン・ケースタイムコントロールデザイン
shuntaros
1
2.6k
Other Decks in Science
See All in Science
Reconciling Accuracy, Cost, and Latency of Inference Serving Systems
pjamshidi
0
130
Snowflakeによる統合バイオインフォマティクス
ktatsuya
0
640
02_西村訓弘_プログラムディレクター_人口減少を機にひらく未来社会.pdf
sip3ristex
0
250
ガウス過程回帰とベイズ最適化
nearme_tech
PRO
1
250
白金鉱業Meetup Vol.15 DMLによる条件付処置効果の推定_sotaroIZUMI_20240919
brainpadpr
2
730
All-in-One Bioinformatics Platform Realized with Snowflake ~ From In Silico Drug Discovery, Disease Variant Analysis, to Single-Cell RNA-seq
ktatsuya
0
330
統計学入門講座 第1回スライド
techmathproject
0
260
MoveItを使った産業用ロボット向け動作作成方法の紹介 / Introduction to creating motion for industrial robots using MoveIt
ry0_ka
0
350
観察研究における因果推論
nearme_tech
PRO
1
190
統計的因果探索: 背景知識とデータにより因果仮説を探索する
sshimizu2006
3
760
テンソル分解を用いた教師なし学習による変数選択法のシングルセルマルチオミックスデータ解析への応用
tagtag
1
130
butterfly_effect/butterfly_effect_in-house
florets1
1
160
Featured
See All Featured
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
31
4.7k
Adopting Sorbet at Scale
ufuk
75
9.3k
VelocityConf: Rendering Performance Case Studies
addyosmani
328
24k
Six Lessons from altMBA
skipperchong
27
3.7k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
233
17k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
356
30k
Docker and Python
trallard
44
3.3k
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
331
21k
Statistics for Hackers
jakevdp
798
220k
Making Projects Easy
brettharned
116
6.1k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
45
9.5k
We Have a Design System, Now What?
morganepeng
51
7.5k
Transcript
None
・G-methods for time-fixed treatments 本日の内容 ・The g-formula for time-varying treatments
・IP weighting for time-varying treatments ・A doubly robust estimator for time-varying treatments
・G-methods for time-fixed treatments 本日の内容 ・The g-formula for time-varying treatments
・IP weighting for time-varying treatments ・A doubly robust estimator for time-varying treatments
Stratification effect measure modification (-) effect measure modification (+) Mantel-Haenszel
method 別々にオッズ比を報告
Why model? effect measure modification (-) effect measure modification (+)
別々にオッズ比を報告(1つの効果を報告できない) g-methods
g-formula A=1を代入 A=0を代入
IP weighting marginal structural model
Conditional or Marginal? outcome regression saturated parametric stratification g-formula IP
weighting g-estimation or algebraically equivalent
Time-varying treatment g-methods
・G-methods for time-fixed treatments 本日の内容 ・The g-formula for time-varying treatments
・IP weighting for time-varying treatments ・A doubly robust estimator for time-varying treatments
前提 ・本章ではidentifiability conditions(sequential exchangeability, positivity, and consistency)のviolationが ないものとする。 ・static treatment
strategies (always treat vs. never treat) の効果を推定する。
g-formula (weighted average) ・time-fixed treatment (A1 の反実アウトカム) ・time-varying treatment
g-formula (weighted average)
g-formula (weighted average)
g-formula (simulation) のシミュレーション と
g-formulaの注意点 ・DAGに基づいたcovariates L1 をモデルに含める ・static sequential exchangeabilityが成立すればstatic treatment strategyの効果はidentify可能
g-formulaの一般化 ・static treatment strategy ・dynamic treatment strategy linear regression logistic
regression
・G-methods for time-fixed treatments 本日の内容 ・The g-formula for time-varying treatments
・IP weighting for time-varying treatments ・A doubly robust estimator for time-varying treatments
IP weighting (weights) ・nonstabilized IP weights ・ stabilized IP weights
IP weighting (non-stabilized)
Stabilized weights non-stabilized weights: stabilized weights: Lと独立であればよい Lと独立であればよい
IP weighting (stabilized)
IP weightingの一般化 ・nonstabilized IP weights ・ stabilized IP weights logistic
regression logistic regression (misspecifiedでも可)
Marginal Structural Model ・2K > Nのときは推定できない ・marginal structural mean model
stabilized IP weightsを使って推定 misspecified??
Effect Measure Modification ・baseline variable VによるEMMがある場合、marginal structural modelは以下の通り(parametric) stabilized IP
weightsを使って推定 Vに入れて良いのはbaseline variableだけ
・G-methods for time-fixed treatments 本日の内容 ・The g-formula for time-varying treatments
・IP weighting for time-varying treatments ・A doubly robust estimator for time-varying treatments
Doubly Robust Estimator ・g-formula ・ IP weighting
1. Doubly Robust (time-fixed) 2. 3. A=1とA=0でそれぞれ を推定 を推定 ,
をLについて標準化
1. Doubly Robust (time-varying) 2. 3. を推定 からパラメータ を求める。 を求めておく
を推定し、Aの値に応じた を求める。 これを繰り返して を求める。 always treat
Discussion