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
2.6k
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
仮説検定とP値
shuntaros
6
7.6k
Target trial emulationの概要
shuntaros
2
2.1k
Win ratio その2
shuntaros
0
360
Win ratioとは何か?
shuntaros
0
2.2k
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
670
「回帰分析から分かること」と「変数選択」
shuntaros
14
16k
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
5.1k
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
2.2k
何が知りたいのか?〜どのぐらい?に答える〜(医学統計学・疫学セミナー)
shuntaros
0
2.2k
Other Decks in Science
See All in Science
Boil Order
uni_of_nomi
0
100
All-in-One Bioinformatics Platform Realized with Snowflake ~ From In Silico Drug Discovery, Disease Variant Analysis, to Single-Cell RNA-seq
ktatsuya
0
170
Pandas 2 vs Polars vs Dask (PyDataGlobal 2023 December)
ianozsvald
0
790
深層学習を利用して 大豆の外部欠陥を判別した研究事例の紹介
kentaitakura
0
180
Non-Gaussian methods for causal discovery
sshimizu2006
0
250
Xpenologyなるアングラプロジェクト周りについて語るやつ
sushi514
0
980
『データ可視化学入門』を PythonからRに翻訳した話
bob3bob3
1
460
(Forkwell Library #48)『詳解 インシデントレスポンス』で学び倒すブルーチーム技術
scientia
2
1.3k
大規模画像テキストデータのフィルタリング手法の紹介
lyakaap
6
1.4k
ウェーブレットおきもち講座
aikiriao
1
770
Презентация программы бакалавриата СПбГУ "Искусственный интеллект и наука о данных"
dscs
0
580
私たちのプロダクトにとってのよいテスト/good test for our products
camel_404
0
110
Featured
See All Featured
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
88
15k
Practical Orchestrator
shlominoach
185
10k
[RailsConf 2023] Rails as a piece of cake
palkan
44
4.6k
Making Projects Easy
brettharned
113
5.8k
YesSQL, Process and Tooling at Scale
rocio
167
14k
KATA
mclloyd
27
13k
Art, The Web, and Tiny UX
lynnandtonic
294
20k
Robots, Beer and Maslow
schacon
PRO
157
8.1k
Bootstrapping a Software Product
garrettdimon
PRO
304
110k
Agile that works and the tools we love
rasmusluckow
327
20k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
29
2.5k
What the flash - Photography Introduction
edds
67
11k
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