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
Treatment-Confounder feedback(Causal inference:...
Search
Shuntaro Sato
November 25, 2020
Science
0
2.6k
Treatment-Confounder feedback(Causal inference: What if, Chapter 20)
Keywords: 因果推論, Treatment-confounder feedback
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
第4回ナレッジグラフ勉強会 Knowledge Graph Embedding
maruru0090
0
230
Mastering Feature Engineering: Mining the Hidden Salary Formula with CakeResume
tlyu0419
0
230
伊豆赤沢海洋深層水中からメラニン分解能を有する微生物の探索
eltociear
0
110
Direct Preference Optimization
zchenry
0
250
20231211ベクトル解析の計算
kamakiri1225
0
180
Raccoon Roundworm
uni_of_nomi
0
130
A Theory of Scrum Team Effectiveness 〜『ゾンビスクラムサバイバルガイド』の裏側にある科学〜
bonotake
15
6.6k
拡散モデルの概要 −§2. スコアベースモデルについて−
nearme_tech
PRO
0
320
ベイズ最適化をゼロから
brainpadpr
2
540
ざっと学んでみる確率過程 〜その1 : ブラウン運動〜
nearme_tech
PRO
0
280
Reaping the Benefits of Ritual and Routine
arthurdoler
PRO
0
160
Boil Order
uni_of_nomi
0
100
Featured
See All Featured
A Modern Web Designer's Workflow
chriscoyier
690
190k
Adopting Sorbet at Scale
ufuk
72
8.9k
How To Stay Up To Date on Web Technology
chriscoyier
785
250k
Git: the NoSQL Database
bkeepers
PRO
425
64k
Build your cross-platform service in a week with App Engine
jlugia
228
18k
Code Reviewing Like a Champion
maltzj
518
39k
GraphQLとの向き合い方2022年版
quramy
43
13k
Docker and Python
trallard
39
3k
Reflections from 52 weeks, 52 projects
jeffersonlam
346
20k
How GitHub Uses GitHub to Build GitHub
holman
472
290k
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
157
15k
Practical Orchestrator
shlominoach
185
10k
Transcript
What if 勉強会 Chapter 20 Treatment-Confounder Feedback Itsuki Osawa, MD
@Osawa_Itsuki Ver. 1.2 (2020.10.16)
What if 勉強会 本日のコンテンツ ü Chapter 19 の復習 ü 20.1
The elements of treatment-confounder feedback ü 20.2 The bias of traditional methods ü 20.3 Why traditional methods fail ü 20.4 Why traditional methods cannot be fixed ü 20.5 Adjusting for past treatment 2
What if 勉強会 19章の復習(@tamagoさんの発表内容を参照) 3 ü Sequentially randomized experiments 各時刻kにおいて治療Aが割り付けられる試験のこと
ü Sequential conditional exchangeability Time-varying treatmentの因果効果を推定するため、 各時刻kにおけるconfounder ) * k と 治療歴 ̅ , k-1 を 各時刻におけるconditional exchangeabilityの担保のために調整する ことで得られる状態 ただ未測定のconfounder Uk から Ak の直接の影響があってはいけない (Randomized/observational study共に注意) 19章 @tamagoさんのスライド
What if 勉強会 ü Static strategy と Dynamic strategy 各時刻kにおいて全て同じ治療が割り付けられるか(Static)
それぞれのCD4 cell count(! " k )によって治療法が変わる(Dynamic) Static sequential exchangeabilityを考える上では、 ! " k の調整は不要 → Static sequential exchangeabilityの仮定は弱い ü W0 のようなindicator(データベースには残っていない“定期受診に来たかどうか” の情報)の存在 Observational studiesにおいてStatic strategyでは問題にならないが、 Dynamic strategyでは正確な因果効果推定ができない原因に ü Sequential exchangeabilityが担保されており、未測定因子がFig19.5のU1 のみの時 Static/Dynamic strategy共に 因果効果推定が可能である 19章の復習(@tamagoさんの発表内容を参照) 4 19章 @tamagoさんのスライド
What if 勉強会 20.1 The elements of treatment-confounder feedback HIV陽性者に対しての治療効果(e.g.,
ART)に対する研究を想定 条件は以下の通りとする Treatment: Ak (1: treated, 0: untreated) Covariates: Lk (CD4 cell count, k= 0,1,2...K [month]) Outcome: Y (health status at month K+1) L0 →A0 , A0 →L1 (not loop⇨Fine point 20.1)の関係を Treatment-confounder feedback と呼ぶ 但しTime-varying confoundingという概念自体は Treatment-confounder feedbackがない状況でもあり得る (e.g., Fig 20.2 [A0 →L1 , A0 →U1 が消えた]) 5
What if 勉強会 Fine point 20.1 Representing feedback cycles with
acyclic graphs 6 ü Fig 20.1はacyclic graphだが、treatment-confounder feedback loop or cycleを表す → これを表現するためには各nodeが離散的な概念である必要がある → ただ各人においてnode間隔は厳密には異なるため定義上問題にならないの? ü 時間感覚は対象データの内、最小の粒度のものを採用すれば問題にはならない (Chapter 17でも同様の議論あり)
What if 勉強会 20.1 The elements of treatment-confounder feedback Fig
20.1を簡略化したFig 20.3を準備 ü L1 の効果を見たいのでL0 削除 A0 はランダムに決定, A1 はL1 のみに依存 ü U0 はとりあえず削除 ü A0 → A1 は削除 ü YはU1 のみで決定されるとする U1 は“測定されない免疫状態” ü Chapter 20の議論での多くが便宜上 A0 や A1 はYへ因果効果(sharp null hypothesis) を持たないことが仮定されているので注意 ü Lk は古典的なconfounderの概念とは異なり、Backdoor criteriaを満たす 共変量(cf. Chapter 6)と捉えた方が分かりやすいかもしれない (大沢の私見) 7
What if 勉強会 20.1 The elements of treatment-confounder feedback ü
Static treatment strategyのうち “Always treat”(a0 =1, a1 =1)と “never treat” (a0 =0, a1 =0)を比較 ü E[Y^(a0 =1, a1 =1)] - E[Y^(a0 =0, a1 =0)] でACE (Average causal effect)は求まるが、 A0 or A1からYへのpathがなく、ACE=0となる ü U1 からA1 への矢印はないので、 Sequential randomized trialと同様の状況 (Lによるconditioningでrandomization時の状況が再現可能な状況) L1 を条件付けてACEを計算したいが、 計算上はACE=0とはならない ü ここから、理論上0である因果効果が 計算上0にならないことをひたすら示していくことになる 8
What if 勉強会 20.2 The bias of traditional methods 9
実際に計算してみよう!① ü 32,000人のHIV患者について前述の研究を行う ü A0 =1のランダム割付は0.5の確率に設定、 ü A1 =1はL1 =1 (Low CD4) の時、0.8の確率に、 L1 =0 (high CD4) の時、0.4の確率に設定することにする ü Identifiability(sequential exchangeability, positivity, and consistency)を前提 i.e. L1 で調整すればsequential conditional exchangeabilityが保たれると仮定 Fig 20.3はsharp null hypothesisの元での sequentially randomized experimentを示す
What if 勉強会 20.2 The bias of traditional methods 10
実際に計算してみよう!② ü E[Y|A0 =0, L1 =0, A1 =1)] - E[Y|A0 =0, L1 =0, A1 =0)] = 0 (∵ Table 20.1) ⇒ E[Y^(a1 =1)|A0 =0, L1 =0)] - E[Y^(a1 =0)|A0 =0, L1 =0)] = 0 (∵ conditional exchangeability) ü 同様に (A0 , L1 )のどの組み合わせでもACE=0となるため、 A1 のYへのACEは0と推定される 上記の計算をしている研究者は Fig 20.3 が真のDAGであることを知らない
What if 勉強会 20.2 The bias of traditional methods 11
実際に計算してみよう!③ ü 次に重み付けを用いてA0 のYへのACEを推定したい(Standardizationで計算) E[Y|A0 =1] = E[Y|A0 =0]= 60 ⇒ E[Y^(a0 =1)] - E[Y^(a0 =0)] = 0 A0 のYへのACEは0と推定される ü ただこれらはtime-fixed treatmentの効果を見ているに過ぎない “Always treat”(a0 =1, a1 =1) vs. “never treat” (a0 =0, a1 =0)の効果を見たい 上記の計算をしている研究者は Fig 20.3 が真のDAGであることを知らない
What if 勉強会 実際に計算してみよう!⑤ (おそらくここではtime-fixed treatmentを想定) “Always treat”(a0 =1, a1
=1) vs. “never treat” (a0 =0, a1 =0)の効果を見たい ü sharp null hypothesisの元、conditional exchangeabilityが成立する条件下では、 g-null theorem(⇨Technical point 20.1 後述)より、全てのgに対してE[Yg]は不変 強いfaithfulnessの仮定より、 sharp null hypothesisは真であり、 E[Y^(a0 =1, a1 =1)] - E[Y^(a0 =0, a1 =0)] = 0 となるはず では、これらを今まで使った解析手法から求めるにはどうしたら良い? 20.2 The bias of traditional methods 12
What if 勉強会 ü Table 20.1より always treat群 と never
treat群 を計算したい ü E[Y|A0 = 1, A1 =1] = 54.7, E[Y|A0 = 0, A1 =0] = 68 であるので、 E[Y|A0 = 1, A1 =1] - E[Y|A0 = 0, A1 =0] = -13.3 (治療群が悪い結果) ü これはexchangeabilityが担保されていないことで、 E[Y^(a0 , a1 )] ≠ E[Y|A0 = a0 , A1 = a1 ] となっている可能性が考えられるので、 L1 で調整する必要がある(と研究者は思う) 20.2 The bias of traditional methods 13 そもそもこのDAGを見たら、L1 での調整は無理なことはわかるが、 g-methodsを使う必要を示すために、敢えて変な調整をしており、 余計理解がしにくくなっている (大沢の感想) 上記の計算をしている研究者は Fig 20.3 が真のDAGであることを知らない
What if 勉強会 20.2 The bias of traditional methods 14
ü 層別解析にてL1 の調整を図ろうとするが… E[Y|A0 = 1, L1 =0, A1 =1] = 76, E[Y|A0 = 0, L1 =0, A1 =0] = 84 E[Y|A0 = 1, L1 =0, A1 =1] - E[Y|A0 = 0, L1 =0, A1 =0] = -8 同様に、 E[Y|A0 = 1, L1 =1, A1 =1] - E[Y|A0 = 0, L1 =1, A1 =0] = -8 となるが、 これが0に一致しない理由は、treatment-confounder feedbackの存在がある 上記の計算をしている研究者は Fig 20.3 が真のDAGであることを知らない
What if 勉強会 20.3 Why traditional method fail 15 ü
免疫状態を反映するunmeasured variable U1 が残っているFig 20.3においても L1 での調整ができれば問題とならないが、前述の通りL1 での調整が奏功しない ü Stratificationがtreatment-confounder feedbackに対応できていない → Fig 20.5のようにL1 (collider)でのconditioningはA0 からYへのpathを開いてしまう → Stratificationを行うと、A0 へのselection biasが代償として生じてしまう
What if 勉強会 20.3 Why traditional method fail 16 ü
Confoundersが過去の治療のみに影響される時(e.g., Fig 20.3)は、 randomized /observational studiesどちらでも、今までの議論の方向性で問題ない ü Fig 20.6のようにW0 (“定期受診に来たかどうか”でデータベースには残っていない情報) が残るobservational studiesでは、biasの原因となる上、W0 の有無は判別不可 ü 他にもFig 20.7のような場合でも、 因果効果に該当しないA0 とYの関連を生む → Fine Point 20.2 ü 時刻ポイントが増え、多次元データであればあるほどこれらのbiasは増幅する G-methodsしか調整できない状況なので、問題ありありなのだが、以下の場合だと今まで考えていた以上の 問題が発生するので、そもそもどうやってconditioningする?という議論以前の問題が生じる(大沢の感想) これはmisclassificationの話にも繋がるので、treatment-confounder feedbackに特異的な話ではない(大沢の感想)
What if 勉強会 ü Confounder L1 でconditioningすると、 selection biasの原因に (e.g.,
Fig 20.5, 20.6) ü Fig 20.7においてUが存在しないと仮定のもと、 A1 のconfounderであるL1 についてstratificationを行えば、 A0 のYへの直接の因果効果(の有無)を推定できるが、 L1 を介した効果は推定不可 → Causal pathway上でAとYの間のnodeは confounderとは考えにくい (i.e., backdoor criteriaとしてはconfounderではあるが、調整すべき対象との印象を与えるconfounderとは言いにくい) ü Time-varying treatmentでは、 他時刻におけるA (e.g., A1 )も同pathway上に含まれ、 それらもYへの影響を与えるので、 Stratificationではbiasの原因に。ただg-methodsでは問題ない Fine point 20.2 Confounders on the causal pathway 17
What if 勉強会 ü そもそも、多次元データになればstratificationも不可能 (e.g., 時刻がK種類あれば、A=0,1の組み合わせを考えると2K種類存在する) ü モデリングが必要であり、例としてdose-response functionを考えてみる
→ (投与時期は関係なく)薬剤投与総量に応じて治療効果が線形増加する関数 ü cum( ̅ ") = A0 + A1 と仮定し、 “always treat” vs “never treat”を比較する E [Y| ̅ ", L1 ] = θ 0 + θ 1 cum( ̅ ") + θ 2 L1 の時、 E [Y| cum( ̅ ") =2, L1 ] - E [Y| cum( ̅ ") =0, L1 ] = 2 θ 1 Fig 20.5の場合のように Treatment-confounder feedbackの存在下ではL1 のconditioningにてA0 とYに関連が発生 → DAGからは2θ 1 = 0 となるはずだが、 L1 のconditioningにてA0 とYの関連が生じてしまい、 A0 はcum( ̅ ")の構成要素 であることから、 観測結果からは2θ 1 = 0となりようもない。この差はbiasである ü Matchingでも同様のことが言え、正確な推定にはg-methodsが欠かせない 20.4 Why traditional methods cannot be fixed 18
What if 勉強会 20.5 Adjusting for past treatment 19 ü
Fig 20.3や20.4では簡単のため、A0 からA1 への矢印を消していたが、 A0 →A1 の直接矢印が出ている場合を考える Fig 20.8はFig 20.3に対応、Fig20.9はFig 20.4に対応している
What if 勉強会 20.5 Adjusting for past treatment 20 ü
Fig 20.8やFig 20.9において、L1 でconditioningするだけではA1 とYがpathで繋がる ü 加えてFig20.10のようにA0 がYへ効果をもたらす場合は、 A0 でのconditioningも必要 → A0 がA1 とYのconfounderになっているため ü (そういえば)時点Kでの Sequential exchangeabilityを考慮する上では、 それより前の治療歴とconfounders全て がYに対して独立でなければならないということをChapter 19で学んだ 19章 @tamagoさんのスライド
What if 勉強会 20.5 Adjusting for past treatment 21 ü
̅ "を考慮するのは難しいからと、 A1 単独の治療効果を見ることに妥協しようとしても、A0 →A1 があれば、 L1 のconditioningだけでは不十分となってしまう ü そのため臨床試験は”new-user designs” のもとでtime-fixed treatmentの効果を推定 → いわゆる薬の持ち越し効果のようなものは排除したい ü Observational studiesではA0 を測定すべく、カルテレビューや患者への聞き取りが必要 → 測定結果自体はA0 *となり(cf. Chapter 9)、 A0 *自体はL1, A1 とは独立 measurement errorがindependence-nondifferentialでもbias under the nullの原因に under the alternativeであっても、効果推定におけるbiasの原因となりうる
What if 勉強会 20章のまとめ 22 ü Treatment-confounder feedbackが生じている場合は、 confoundersをstratificationで調整しても因果効果のbiasの原因となる →
parametric g-formulaでもmatchingでもうまく行かない → G-methodsを使おう! ü 上記を示すために、治療Aが効果を持たず、かつSharp null hypothesisが 成立するような極端なケースを例に議論を進めてきた ü なぜg-methodsを使わないといけないのか ① Sequential conditional exchangeabilityの仮定では、 時刻K以前全てのconfounders, 治療歴を調整しないといけない → G-methods以外では必ずbiasがどこかしらで発生する ② 複数回の経時的治療介入がなされている状態で、それらをまとめて評価する 手法がg-methods以外に存在しない → Treatment-confounder feedbackの元では、g-methodsを使わないといけない ü Chapter 21に乞うご期待! 謝辞: 個人的にフィードバックいただいた 後藤匡啓先生、後藤隆之介先生に、この場を借りて お礼申し上げます。有り難うございました。
What if 勉強会 Technical point 20.1 G-null test ü (背理法的に)Sharp
null hypothesisの成立を仮定 (then Yg = Y) (大沢注: consistencyは担保されるので、反実仮想値=観測値) Ygに対してSequential exchangeabilityが成立する場合(cf. Chapter 19) 2つの時刻(t=0,1)に限ると、以下のように表せる Y ∥ A0|L0 ・・・ ① and Y ∥ A1|A0 = g(L0), L0,L1 ・・・ ② (A0 がランダムに決定される場合, Y ∥ A0 and Y ∥ A1 |A0 = a0 , L1 ) ü ①はL0 で層別化した際のA0 の Yへの因果効果がないことを示している ü ②はA0, L0 で層別化した際のA1 の Yへの因果効果がないことを示している ü Sequential exchangeabilityが成立する場合に、 Conditional independenceが示されたnode間ではsharp null hypothesisが棄却されない (L層内でVの分布が異なり、Cancel-outによる偶然のsharp nullの可能性が考慮されておらず、上記成立は完全に示されない) 逆にconditional independenceでなければsharp null hypothesisは棄却される 23
What if 勉強会 Technical point 20.1 G-null test ü 逆にg-null
theorem (Robins 1986)として、 “sharp null hypothesis の元、Conditional exchangeabilityが保たれるのであれば、 Ygの分布と E[Yg] 両方が全てのgに対して不変であり、 これらはYの分布とE[Y]の観測値と一致するはず”だが、 ü 強いfaithfulnessの仮定下でこれらは(Yの分布とE[Y]が全てのgに対して不変であった場合) 偶然とされないため、 sharp nullの仮定が却下されないことは、sharp nullが真であることを示唆すると同義 24 6章 Sato先生のスライド
What if 勉強会 A0 およびA1 のYへのtime-fixed treatment効果は0であったが、 “Always treat”(a0 =1,
a1 =1) vs. “never treat” (a0 =0, a1 =0)の効果を見たいとする ü sharp null hypothesisの元、conditional exchangeabilityが成立する条件下では、 g-null theorem(⇨Technical point 20.1)より、全てのgに対してE[Yg]は不変 強いfaithfulnessの仮定より、 sharp null hypothesisは真であり、 E[Y^(a0 =1, a1 =1)] - E[Y^(a0 =0, a1 =0)] = 0 となるはず では、これらを今まで使った解析手法から求めるにはどうしたら良い? 20.2 The bias of traditional methods (再掲) 25