Causal Inference using Multivariate Generalized Propensity Score

多変量一般化傾向スコアを用いた因果推論

Methods for estimating and utilizing the multivariate generalized propensity score (mvGPS) for multiple continuous exposures described in Williams, J.R, and Crespi, C.M. (2020) < arXiv:2008.13767 >. The methods allow estimation of a dose-response surface relating the joint distribution of multiple continuous exposure variables to an outcome. Weights are constructed assuming a multivariate normal density for the marginal and conditional distribution of exposures given a set of confounders. Confounders can be different for different exposure variables. The weights are designed to achieve balance across all exposure dimensions and can be used to estimate dose-response surfaces.

Williams, J.R., and Cresi, C.M (2020) <arxiv:2008.13767>に記載されている一般化されたプロペンシティスコアを介した複数の連続暴露のための重みと一般化されたプロペンシティスコアを推定するための方法。重みは、交絡因子のセットを与えられたエクスポージャーの限界分布と条件分布のために、基礎となる多変量正規密度を仮定して構築されます。これらの重みは、線量反応曲線または曲面を推定するために使用することができます。この方法は、単一の次元に沿ったものではなく、すべての被曝次元にわたってバランスをとることができます。

Omitted Variable Tool

省略された変数ツール

This tool was designed to assess the sensitivity of research findings to omitted variables when estimating causal effects using propensity score (PS) weighting. This tool produces graphics and summary results that will enable a researcher to quantify the impact an omitted variable would have on their results. Burgette et al. (2021) describe the methodology behind the primary function in this package, ov_sim. The method is demonstrated in Griffin et al. (2020) < doi:10.1016/j.jsat.2020.108075 >.

このツールは、傾向スコア（PS）加重を用いて因果効果を推定する際に、研究結果の省略変数に対する感度を評価するために設計されました。このツールは、研究者が省略された変数が結果に与える影響を定量化できるようなグラフィックと要約結果を生成します。Burgetteら(2021)は、本パッケージの主要機能であるov_simの背後にある方法論を説明しています。この方法は、Griffinら（2020）< doi:10.1016/j.jsat.2020.108075 >で実証されています。

Causal Mediation Analysis in Multisite Trials

マルチサイト試行における因果介在分析

Multisite causal mediation analysis using the methods proposed by Qin and Hong (2017) < doi:10.3102/1076998617694879 >, Qin, Hong, Deutsch, and Bein (2019) < doi:10.1111/rssa.12446 >, and Qin, Deutsch, and Hong (2021) < doi:10.1002/pam.22268 >. It enables causal mediation analysis in multisite trials, in which individuals are assigned to a treatment or a control group at each site. It allows for estimation and hypothesis testing for not only the population average but also the between-site variance of direct and indirect effects transmitted through one single mediator or two concurrent (conditionally independent) mediators. This strategy conveniently relaxes the assumption of no treatment-by-mediator interaction while greatly simplifying the outcome model specification without invoking strong distributional assumptions. This package also provides a function that can further incorporate a sample weight and a nonresponse weight for multisite causal mediation analysis in the presence of complex sample and survey designs and non-random nonresponse, to enhance both the internal validity and external validity. The package also provides a weighting-based balance checking function for assessing the remaining overt bias.

Qin and Hong (2017) < doi:10.3102/1076998617694879 >やQin, Hong, Deutsch, Bein (査読中)が提案している手法を用いて、マルチサイト因果調停分析を実装します。各部位で個人を治療群または対照群に割り付けたマルチサイト試験において、因果関係の媒介分析を可能にします。これにより、母集団平均だけでなく、直接効果と間接効果のサイト間分散の推定と仮説検定が可能になります。この戦略は、強い分布の仮定を発動することなく、結果モデルの仕様を大幅に単純化しながら、治療ごとの媒介者の相互作用がないという仮定を便利に緩和しています。本パッケージはまた、内部妥当性と外部妥当性の両方を強化するために、複雑なサンプルや調査デザイン、非ランダムな非反応の存在下でのマルチサイト因果調停分析のためのサンプル・ウェイトと非反応ウェイトをさらに組み込むことができる機能を提供します。同一化の仮定が必ずしも正当であるとは限らないため、このパッケージには、残っている明白なバイアスを評価するための重み付けベースのバランスチェック機能と、省略された交絡因子や傾向スコアモデルの不特定化に関連した潜在的なバイアスをさらに評価するための重み付けベースの感度分析機能も含まれています。

Treatment Effect Estimate in Strata with Missing Data

データ欠損のある層での治療効果の推定

Estimate treatment effect in strata when subjects have missing strata labels, via inverse probability weighting or propensity score matching.

被験者が層ラベルを紛失している場合に、逆確率重み付けまたは傾向スコアマッチングによって、層における治療効果を推定します。

Debiased Inverse Propensity Score Weighting

偏りのない逆傾向スコアの重み付け

Estimation of the average treatment effect when controlling for high-dimensional confounders using debiased inverse propensity score weighting (DIPW). DIPW relies on the propensity score following a sparse logistic regression model, but the regression curves are not required to be estimable. Despite this, our package also allows the users to estimate the regression curves and take the estimated curves as input to our methods. Details of the methodology can be found in Yuhao Wang and Rajen D. Shah (2020) "Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders" < arXiv:2011.08661 >. The package relies on the optimisation software 'MOSEK' < https://www.mosek.com/ > which must be installed separately; see the documentation for 'Rmosek'.

debiased inverse propensity score weighting（DIPW）を使用して高次元交絡因子をコントロールした場合の平均治療効果の推定。DIPWは、疎なロジスティック回帰モデルに従う傾向スコアに依存しますが、回帰曲線は推定可能である必要はありません。これにもかかわらず、我々のパッケージでは、ユーザーが回帰曲線を推定し、推定された曲線を我々の手法への入力として利用することもできます。方法の詳細は、Yuhao Wang and Rajen D. Shah (2020)「Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders」< arXiv:2011.08661 >に記載されています。このパッケージは最適化ソフトウェア「MOSEK」< https://www.mosek.com/ >に依存しており、別途インストールする必要があります。

Hazard Ratio Estimation using Cox Model Weighted by the Estimated Propensity Score

推定傾向スコアで重み付けしたCoxモデルを用いたハザード比推定

Estimates the log hazard ratio associated with a binary exposure using a Cox PH model weighted by the propensity score. Propensity model is estimated using a simple logistic regression. Variance estimation takes into account the propensity score estimation step with the method proposed by Hajage et al. (2018) < doi:10.1002/bimj.201700330 >. Both the average treatment effect on the overall (ATE) or the treated (ATT) population can be estimated. For the ATE estimation, both unstabilized and stabilized weights can be used.

Cox PHモデルを用いて、プロペンシティスコアで重み付けされた2値曝露に関連する対数ハザード比を推定します。プロペンシティモデルは単純なロジスティック回帰を用いて推定されます。分散推定は、Hajageら(2018)が提案した手法を用いたプロペンシティスコア推定ステップを考慮する< doi:10.1002/bimj.201700330 >。全体(ATE)または治療済み(ATT)母集団に対する平均治療効果の両方を推定することができます。ATEの推定には、安定化されていない重みと安定化された重みの両方を使用することができます。

Specification Tests for Parametric Propensity Score Models

パラメトリック傾向スコアモデルの仕様テスト

The propensity score is one of the most widely used tools in studying the causal effect of a treatment, intervention, or policy. Given that the propensity score is usually unknown, it has to be estimated, implying that the reliability of many treatment effect estimators depends on the correct specification of the (parametric) propensity score. This package implements the data-driven nonparametric diagnostic tools for detecting propensity score misspecification proposed by Sant'Anna and Song (2019) < doi:10.1016/j.jeconom.2019.02.002 >.

プロペンシティ・スコアは、治療、介入、または政策の因果関係を研究する際に最も広く使われているツールの1つです。プロペンシティ・スコアは通常未知であるため、推定されなければならず、多くの治療効果推定器の信頼性は、（パラメトリックな）プロペンシティ・スコアの正しい仕様に依存していることを意味しています。本パッケージは、Sant'Anna and Song (2019)が提案したプロペンシティスコアの仕様ミスを検出するためのデータ駆動型ノンパラメトリック診断ツールを実装したものである< doi:10.1016/j.jeconom.2019.02.002 >.

Propensity Score Matching and Subclassification in Observational Studies with Multi-Level Treatments

多段階治療を用いた観察研究における傾向スコアマッチングと下位分類

Implements methods to estimate causal effects from observational studies when there are 2+ distinct levels of treatment (i.e., "multilevel treatment") using matching estimators, as introduced in Yang et al. (2016) < doi:10.1111/biom.12505 >. Matching on covariates, and matching or stratification on modeled propensity scores, are available. These methods require matching on only a scalar function of generalized propensity scores.

Yangら(2016)で紹介されているように、マッチング推定子を用いて、2以上の異なるレベルの治療（すなわち「マルチレベル治療」）がある場合に、観察研究から因果関係を推定する方法を実装している< doi:10.1111/biom.12505 >.共変量でのマッチング、モデル化された傾向スコアでのマッチングまたは層別化が可能です。これらの方法では、一般化された傾向スコアのスカラー関数のみでマッチングを行う必要があります。

Generalized Propensity Score Cumulative Distribution Function

一般化傾向スコア累積分布関数

Implements the generalized propensity score cumulative distribution function proposed by Greene (2017) < https://digitalcommons.library.tmc.edu/dissertations/AAI10681743/ >. A single scalar balancing score is calculated for any generalized propensity score vector with three or more treatments. This balancing score is used for propensity score matching and stratification in outcome analyses when analyzing either ordinal or multinomial treatments.

Greene (2017) < https://digitalcommons.library.tmc.edu/dissertations/AAI10681743/ >が提案した一般化プロペンシティスコア累積分布関数を実装。3つ以上の治療法を持つ任意の一般化された傾向スコアベクトルに対して、1つのスカラーバランシングスコアが計算されます。このバランシング・スコアは、通常治療法または多項式治療法のいずれかを分析する際に、アウトカム分析におけるプロペンシティ・スコアのマッチングと層別化に使用されます。

Multilevel Propensity Score Analysis

マルチレベル傾向スコア分析

Conducts and visualizes propensity score analysis for multilevel, or clustered data. Bryer & Pruzek (2011) < doi:10.1080/00273171.2011.636693 >.

多階層、またはクラスタ化されたデータに対して、プロペンシティスコア分析を実施し、可視化します。Bryer & Pruzek (2011) < doi:10.1080/00273171.2011.636693 >.