Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Speaker Deck
PRO
Sign in
Sign up for free
G-estimation for time-varying treatments(Causal inference: What if, Chapter 21-2)
Shuntaro Sato
November 25, 2020
Science
0
1.1k
G-estimation for time-varying treatments(Causal inference: What if, Chapter 21-2)
Keywords: 因果推論, Time-varying, G-estimation, Censoring
Shuntaro Sato
November 25, 2020
Tweet
Share
More Decks by Shuntaro Sato
See All by Shuntaro Sato
「回帰分析から分かること」と「変数選択」
shuntaros
4
5.8k
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
2
3k
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
820
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
1.1k
何が知りたいのか?〜因果推論:効果の定義、 Estimandの前振り〜(医学統計学・疫学セミナー)
shuntaros
1
1.2k
何が知りたいのか?〜Estimand、傾向スコアマッチングは何を見てる?〜(医学統計学・疫学セミナー)
shuntaros
1
1.2k
Run in periodと決定木と生存時間解析(MERC勉強会)
shuntaros
0
150
Effect modification(Causal inference: What if, Chapter 4)
shuntaros
0
2.3k
IP Weighting and Marginal Structural Models(Causal inference: What if, Chapter 12)
shuntaros
0
1.9k
Other Decks in Science
See All in Science
深層学習による自然言語処理 輪読会#3 資料
tok41
0
180
ウォンテッドリーにおける推薦システム開発事例 / recsys-in-wantedly-2021
yuya4
4
1.3k
20220216_球体周りの流れ抗力係数1_FreeCADで球体モデル作成
kamakiri1225
0
190
SNLP2021_watanabe.pdf
kentow
0
200
実験ノートをどう取るべきか
rinabouk
PRO
1
1.6k
(2013) Le problème des distances de Erdős
mansuy
0
100
Certified Mergeable Replicated Data Types
kayceesrk
0
160
CrossWalk: Fairness-enhanced Node Representation Learning
sansan_randd
2
860
LiNGAM Pythonパッケージでできること
sshimizu2006
1
1.1k
Vaccine Information
yoshimine77
0
110
2020年京都大学_電磁気学
kamakiri1225
0
550
コレスポンデンス分析の正しい使い方
bob3bob3
1
1k
Featured
See All Featured
Fashionably flexible responsive web design (full day workshop)
malarkey
396
62k
Pencils Down: Stop Designing & Start Developing
hursman
112
9.8k
Raft: Consensus for Rubyists
vanstee
126
5.4k
Scaling GitHub
holman
451
140k
Designing with Data
zakiwarfel
91
3.9k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
19
1.4k
How STYLIGHT went responsive
nonsquared
85
3.9k
Docker and Python
trallard
27
1.5k
What’s in a name? Adding method to the madness
productmarketing
11
1.5k
Web development in the modern age
philhawksworth
197
9.3k
Art Directing for the Web. Five minutes with CSS Template Areas
malarkey
196
9.4k
Optimizing for Happiness
mojombo
365
63k
Transcript
G-estimation for time-varying treatments & Censoring Causal Inference: What if
Chapter 21(後半) 担当︓KRSK (@koro485)
Ø (Review 1) g-formula & IPW for time-varying treatments Ø
(Review 2) g-estimation for time-fixed treatments Ø g-estimation for time-varying treatments Ø Censoring is a time-varying treatment Agenda 2
Ø (Review 1) g-formula & IPW for time-varying treatments Ø
(Review 2) g-estimation for time-fixed treatments Ø g-estimation for time-varying treatments Ø Censoring is a time-varying treatment Agenda 3
Time-varying Treatments ⽬的︓複数時点での介⼊の効果 Ø 例︓[!!"#,!""# − !!"%,!""%] Ø 「全員がすべての時点で治療を受けた(always-treat)vsずっ と受けなかった(never-treat)」
Time-fixed Treatments ⽬的︓1時点での介⼊の効果 Ø 例︓[!"# − !"%] Ø 「全員が(ある⼀時点で)治療を受けたvs受けなかった」 4
仮定︓Sequential exchangeability Ø Yā ⫫ Ak | L̄ k ,
A ̅ k-1 Ø Exchangeability for each treatment conditional on past covariate & treatment A0 L1 L0 A1 Y A0 |a0 L1 a0 L0 A1 a0|a1 Ya0,a1 例︓⼆時点の場合 Ø Ya0,a1 ⫫ A1 | L1 ,L0 ,A0 Ø Ya0,a1 ⫫ A0 | L0 5
なぜtime-varying treatmentsか︖ Ø 最適な治療regimeの効果検証(どのように複数時点での介⼊ を続けていけばよいか︖) Ø 曝露因⼦が時間によってで⼤きく変化する/アドヒアランス が悪いとき、time-fixedの"効果”は過⼩推定の可能性あり Ø例︓「ライザップ的⾷⽣活の効果」 6
g-methods Ø g-formula (a.k.a., g-computation) Ø IPW of marginal structural
model Ø g-estimation of structural nested models • Sequential exchangeabilityのもと、time-varying treatmentsの因果効果を推定可能 • 異なるモデルの仮定 7
g-formula for time-varying treatments & ̅ ' [| ̅ =
+ , + = ̅ ] 1 ("% ) (( |+ (*# , ̅ (*# ) ①“過去”を条件付けた アウトカムに対するモデル ②”過去”のjoint distribution に対するモデル(複数) Ø R package: gfoRmula (Lin et al 2019) Ø もしくはICE (iterated conditional expectation) g-computation (e.g., TMLE) 8
̅ + = 1 ("% # 1 (( | ̅
(*# , + ( ) IPW for time-varying treatments ①“過去”を条件付けた各時点の治療に対するモデル E , ! = -. [| ̅ ] ②Marginal Structural Model (過去の治療歴のみを条件づけたweightedアウトカム モデル) Marginal Effectに興味があるとき 9
̅ + = 1 ("% # (( | ̅ (*#
, ) (( | ̅ (*# , + ( ) IPW for time-varying treatments ①“過去”を条件付けた各時点の治療に対するモデル ②Marginal Structural Model (過去の治療歴+Vを条件づけたweightedアウトカム モデル) E , !| = -. [| ̅ , ] ベースライン共変量Vによる効果修飾に興味があるとき ①Vと過去の治療歴を 条件付けた各時点の 治療に対するモデル 10
Ø (Review 1) g-formula & IPW for time-varying treatments Ø
(Review 2) g-estimation for time-fixed treatments Ø g-estimation for time-varying treatments Ø Censoring is a time-varying treatment Agenda 11
g-estimation for time-fixed treatments Ø Conditional effectを推定 Ø Causal “effect”を直接モデル化
(Structural Nested Mean Model) [! − !"%|] = # (Lによる効果修飾なし) [! − !"%|] = # + / ∗ (Lのsubset/L以外のベースライン変数Vによる効果修飾 あり) $POEJUJPOBM&YDIBOHFBCJMJUZ Ya⫫A|L ΛԾఆ 12
g-estimation for time-fixed treatments 1. ! − !"% = #
2. !"% = ! − # = − # (by consistency) 3. H(0) = − 0 6. = 1 , H 0 = % + # H 0 + / L 7. # = 0となる0をgrid searchで⾒つける 4. もし 0 = # なら H(0) = !"% 5. Conditional Exchangeabilityより Ya⫫A|L 13
g-estimation for time-fixed treatments 1. Structural Nested Mean Model [!
− !"%|] = # (Lによる効果修飾なし) 2. Treatment Model = 1 , H 0 = % + # H 0 + / L 14
Ø (Review 1) g-formula & IPW for time-varying treatments Ø
(Review 2) g-estimation for time-fixed treatments Ø g-estimation for time-varying treatments Ø Censoring is a time-varying treatment Agenda 15
g-estimation for time-varying treatments Ø まず⼆時点の場合を考える (p269) Ø Sequential exchangeability
A0 L1 A1 Y A0 |a0 L1 a0 A1 a0|a1 Ya0,a1 Ø Ya0,a1 ⫫ A1 | L1 ,A0 Ø Ya0,a1 ⫫ A0 16
g-estimation: Step 1 Ø Structural ”Nested” Mean Modelsを設定 1. [!!,!""%
− !!"%,!""%] = % % 2. [!!,!" − !!,!""% # !! = # , % = % = # (## + #/ # + #1 % + #2 % # ) A0 |a0 L1 a0 A1 a0|a1 Ya0,a1 " ͷޮՌͷϞσϧ ͜ͷྫͰ- ͕ͳ͍ʣ " ͷޮՌͷϞσϧ “過去”による効果修飾 Ø . の推定がゴール︕ Ø 各時点の治療のConditional effectを推定 17
① !!"%,!""% = !!,!""% − % % ② !!,!""%= !!,!"
− ## # + #/ # # !! + #1 % # + #2 % # # !! ①+② !!"%,!""%= !!,!" − I J ## # + #/ # # !! + #1 % # + #2 % # # !! − % % g-estimation: Step 2 Ø 個⼈レベルに変換 Ø !!"%,!""% に対する1つの⽅程式をつくる 18
!!"%,!""% = !!,!" − ## # + #/ # #
!! + #1 % # + #2 % # # !! − % % = − ## # + #/ # # + #1 % # + #2 % # # − % % g-estimation: Step 3 Ø ConsistencyでデータとStep2の式をリンク ∗ = − ## ∗ # + #/ ∗ # # + #1 ∗ % # + #2 ∗ % # # − % ∗% Ø (∗)をつくる ະͷύϥϝʔλ 1. ∗͕ܾ·ΕաڈͷA, Lͷσʔλ͔Β (∗)֤ݸਓʹ ରͯ͠ܭࢉՄೳ 2. ∗=ͳΒ(∗) = = !!"%,!""% 19
g-estimation: Step 4 Ø Sequential Exchangeabilityを使う Ø Treatment Modelをつくる Ø
Ya0,a1 ⫫ A1 | L1 ,A0 Ø Ya0,a1 ⫫ A0 Ø ⫫ A1 | L1 ,A0 Ø ⫫ A0 logit # # , % , ∗ = % + ∗ ( + % + # + # % ) + 8 # ∗ の係数の推定値が0となるような∗(5つの)を⾒つける (Grid Search) logit % ∗ = % + ∗ 20
g-estimation: おまけ Treatment modelを使わないで. を推定可能 !!"%,!""%= − ## # +
#/ # # + #1 % # + #2 % # # − % % E +!,% % , # , # = E % , # , # −#,# # − #,/ # # − #,1 % # − #,2 % # # Ø Ya0,a1 ⫫ A1 | L1 ,A0 Ø Ya0,a1 ⫫ A0 Ø Structural Nested Mean Model Ø Conditional Exchangeability 平均 21
g-estimation: おまけ Ø Treatment modelを使わない推定 Ø Conditional Exchangeabilityより Ø Ya0,a1
⫫ A1 | L1 ,A0 Ø E "!,$ $ , % , % = 0 = E "!,$ $ , % , % = 1 Ø 84 = 84- %,% , 52 = 52- %,% - %,& Ø %,% =0, %,& = 0 E "!,$ $ , % , % = E $ , % , % −%,% % − %,& % % − %,' $ % − %,( $ % % A0 L1 A1 Y "!,$ $, %, % 0 0 0 84 84 0 0 1 84 84-%,% 0 1 0 52 52 0 1 1 52 52-%,% -%,& Table 21.1 (p257) & Table 21.2 (p270)より Ø 現実にはexposure/covariate historyのパターンが多い→モデル Ø Linear modelの場合はclosed form (Technical Point 21.5) 22
g-estimation for time-varying treatments Ø K時点の場合を考える Ø Sequential exchangeability A0
L1 A1 L2 Ø Yā ⫫ Ak | L̄ k , A ̅ k-1 L0 Lk Ak LK AK Y … … 23
g-estimation: Step 1 Ø Structural ”Nested” Modelsを設定 , !#,%#$" −
, !#%",%# = ( ( + (*# , + ( , ! , "L ͷޮՌͷϞσϧ 1. β (ak の効果は⼀定) 2. β0 + β1 k (ak の効果は時間と共に線形変化) 3. β0 + β1 ak-1 + β2 Lk ā + β3 a0 Lk ā (ak の効果は直前のLk とak-1 のみに依存) ( + (*# , + ( , ! , の例 Bias-variance trade-off!! Ø 各時点の治療のConditional effectを推定 24
g-estimation: Step 2 , !#,%#$" − , !#%",%# = (
( + (*# , + ( , ! , 9 % = , ! − & ("% ) ( ( + (*# , + ( , ! , Ø 9 %に対する1つの⽅程式をつくる Ø 以下は例として( + (*# , + ( , ! , = (a: の効果は⼀定)のとき 9 % = , ! − & ("% ) ( 25
g-estimation: Step 3 Ø ConsistencyでデータとStep2の式をリンク ∗ = − ∗ &
("% ) ( Ø (∗)をつくる ະͷύϥϝʔλ 1. ∗͕ܾ·ΕաڈͷAͷσʔλ͔Β (∗)֤ݸਓʹର ͯ͠ܭࢉՄೳ 2. ∗=ͳΒ(∗) = = 9 % 9 % = , ! − & ("% ) ( = − & ("% ) ( 26
g-estimation: Step 4 Ø Sequential Exchangeabilityを使う Ø Treatment Modelをつくる Ø
Yā ⫫ Ak | L̄ k , A ̅ k-1 すべての時点kにおける治療Ak に対して、 ∗ の係数の推定値 が0となるような∗を⾒つける 1PPMFE-PHJTUJD3FHSFTTJPOͰҰؾʹϞσϧԽ Ø ⫫ Ak | L̄ k , A ̅ k-1 logit ( ( ( , ̅ (*# , ∗ = % ∗ + ( ̅ (*# , ( ( 各時点でのfunctional formが同じと仮定 27
g-estimation: Step 5 Ø [9 %]を推定する Ø [ , !]を推定する
9 % = − & ("% ) ( ( + (*# , + ( , 9 % = − & ("% ) ( Ø 各時点での効果を ) $ に⾜していく Ø 効果が過去の 1 *+% , - に依存するときには、 1 * , -をシミュレート (Technical Point 21.6) , ! = 9 %+ & ("% ) ( ( + (*# , + ( , ! , , ! = 9 % + & ("% ) ( ( + (*# , + ( , ! , = の場合 28
g-estimation まとめ Ø * 1 *+% , 1 * ,
-, にtreatment/covariate historyが含まれる(各時点 の治療効果が過去の変数によって変わる)ときは複数 Ø Pooled logisticを使うためにはconstant functional form 4USVDUVSBM/FTUFE .FBO .PEFMT , !#,%#$" − , !#%",%# = ( ( + (*# , + ( , ! , logit ( ( ( , ̅ (*# , ∗ = % ∗ + ( ̅ (*# , ( ( 5SFBUNFOU)JTUPSZ.PEFM $PWBSJBUF)JTUPSZ.PEFM Ø * 1 *+% , 1 * , -, に過去のLが含まれている時 Ø Pooled logisticを使って 1 * , -をシミュレート 29
Ø (Review 1) g-formula & IPW for time-varying treatments Ø
(Review 2) g-estimation for time-fixed treatments Ø g-estimation for time-varying treatments Ø Censoring is a time-varying treatment Agenda 30
Time-varying Censoring [ , !, ̅ ;"%|+ ] = ̅
= + , + , ̅ = + 0 !,;"% = = [| = , , = 0] Ø Time-fixed Treatment Ø Time-varying Treatment Ø Time-varying treatment & time-varying censoringへのjoint interventionと考えられる Ø Time-varying censoringの対応にもg-methodがつかえる 31