Estimation of Conditional Average Treatment Effects with High-Dimensional Data

高次元データを用いた条件付き平均治療効果の推定

A two-step double-robust method to estimate the conditional average treatment effects (CATE) with potentially high-dimensional covariate(s). In the first stage, the nuisance functions necessary for identifying CATE are estimated by machine learning methods, allowing the number of covariates to be comparable to or larger than the sample size. The second stage consists of a low-dimensional local linear regression, reducing CATE to a function of the covariate(s) of interest. The CATE estimator implemented in this package not only allows for high-dimensional data, but also has the 'double robustness' property: either the model for the propensity score or the models for the conditional means of the potential outcomes are allowed to be misspecified (but not both). This package is based on the paper by Fan et al., "Estimation of Conditional Average Treatment Effects With High-Dimensional Data" (2022), Journal of Business & Economic Statistics < doi:10.1080/07350015.2020.1811102 >.

高次元の共変量が含まれる可能性のある条件付き平均治療効果（CATE）を推定するための2段階のダブルロバスト法。第一段階では、CATEを同定するために必要な厄介な関数を機械学習法により推定し、共変量の数をサンプルサイズと同等かそれ以上にすることができます。第2段階では、低次元の局所線形回帰を行い、CATEを目的の共変量（複数可）の関数に還元します。このパッケージで実装されたCATE推定器は、高次元データを可能にするだけでなく、「二重の頑健性」特性を持ちます：傾向スコアのモデルまたは潜在的な結果の条件付き平均のモデルのどちらかが誤仕様化されてもよい（ただし両方は不可）。本パッケージは、Fanらの論文「Estimation of Conditional Average Treatment Effects With High-Dimensional Data」(2022), Journal of Business & Economic Statistics < doi:10.1080/07350015.2020.1811102 >に基づいています。

Causal Inference for Multiple Treatments with a Binary Outcome

バイナリ結果を持つ複数の治療法の因果推論

Different methods to conduct causal inference for multiple treatments with a binary outcome, including regression adjustment, vector matching, Bayesian additive regression trees, targeted maximum likelihood and inverse probability of treatment weighting using different generalized propensity score models such as multinomial logistic regression, generalized boosted models and super learner. For more details, see the paper by Hu et al. < doi:10.1177/0962280220921909 >.

多項ロジスティック回帰、一般化されたブーストモデル、超学習者などの異なる一般化された傾向スコアモデルを用いた、回帰調整、ベクトルマッチング、ベイズ的加法回帰木、標的化された最尤度と治療の逆確率の重み付けを含む、バイナリアウトカムを持つ複数の治療のための因果推論を実施するための異なる方法。詳細は、Liangyuan Hu (2020) < arXiv:2001.06483 >とJennifer L. Hill (2011) < doi:10.1198/jcgs.2010.08162 >の論文を参照してください。

Highly Adaptive Lasso Conditional Density Estimation

高適応な投げ縄条件付き密度推定

An algorithm for flexible conditional density estimation based on application of pooled hazard regression to an artificial repeated measures dataset constructed by discretizing the support of the outcome variable. To facilitate non/semi-parametric estimation of the conditional density, the highly adaptive lasso, a nonparametric regression function shown to reliably estimate a large class of functions at a fast convergence rate, is utilized. The pooled hazards data augmentation formulation implemented was first described by Díaz and van der Laan (2011) < doi:10.2202/1557-4679.1356 >. To complement the conditional density estimation utilities, tools for efficient nonparametric inverse probability weighted (IPW) estimation of the causal effects of stochastic shift interventions (modified treatment policies), directly utilizing the density estimation technique for construction of the generalized propensity score, are provided. These IPW estimators utilize undersmoothing (sieve estimation) of the conditional density estimators in order to achieve the non/semi-parametric efficiency bound.

結果変数のサポートを離散化して構築された人工的な反復測定データセットにプールされたハザード回帰を適用することに基づく、柔軟な条件付き密度推定のアルゴリズム。条件付き密度の非パラメトリック/セミパラメトリック推定を容易にするために、高速収束率で多数の関数を確実に推定することが示されている非パラメトリック回帰関数である高度適応型Lassoが利用されます。実装されたプールされたハザード データ拡張定式化は、Díazとvan der Laan (2011) < doi:10.2202/1557-4679.1356 >によって最初に説明されました。条件付き密度推定ユーティリティを補完するために、一般化傾向スコアの構築に密度推定手法を直接利用して、確率的シフト介入(修正された治療方針)の因果効果の効率的な非パラメトリック逆確率加重(IPW)推定を行うツールが提供されます。これらのIPW推定量は、非/セミパラメトリック効率境界を達成するために、条件付き密度推定量のアンダースムージング(ふるい推定)を利用します。

Covariate Balancing Propensity Score

共変量バランスの傾向スコア

Implements the covariate balancing propensity score (CBPS) proposed by Imai and Ratkovic (2014) < doi:10.1111/rssb.12027 >. The propensity score is estimated such that it maximizes the resulting covariate balance as well as the prediction of treatment assignment. The method, therefore, avoids an iteration between model fitting and balance checking. The package also implements optimal CBPS from Fan et al. (in-press) < doi:10.1080/07350015.2021.2002159 >, several extensions of the CBPS beyond the cross-sectional, binary treatment setting. They include the CBPS for longitudinal settings so that it can be used in conjunction with marginal structural models from Imai and Ratkovic (2015) < doi:10.1080/01621459.2014.956872 >, treatments with three- and four-valued treatment variables, continuous-valued treatments from Fong, Hazlett, and Imai (2018) < doi:10.1214/17-AOAS1101 >, propensity score estimation with a large number of covariates from Ning, Peng, and Imai (2020) < doi:10.1093/biomet/asaa020 >, and the situation with multiple distinct binary treatments administered simultaneously. In the future it will be extended to other settings including the generalization of experimental and instrumental variable estimates.

Imai and Ratkovic (2014)が提案した共変量バランシング・プロペンシティ・スコア（CBPS）を実装< doi:10.1111/rssb.12027 >.傾向スコアは、結果として得られる共変量バランスと治療配分の予測を最大化するように推定されます。そのため、この方法では、モデルフィッティングとバランスチェックの間の反復を避けることができます。このパッケージはまた、Fanら(2016) < https://imai.fas.harvard.edu/research/CBPStheory.html >からの最適CBPSを実装しており、横断的なバイナリ治療設定を超えてCBPSをいくつか拡張しています。彼らは、Imai and Ratkovic (2015) < doi:10.1080/01621459.2014.956872 >からの限界構造モデルと組み合わせて使用できるように、縦断的な設定のためのCBPSを含み、3値および4値の治療変数を持つ治療法、Fong, Hazlett, and Imai (2018)からの連続値の治療法を含む< doi:10. 1214/17-AOAS1101 >、Ning, Peng, and Imai (2018)より、多数の共変量を用いたプロペンシティスコア推定、複数の異なるバイナリー治療が同時に投与された状況。将来的には、実験的変数や計測器変数の推定値の一般化など、他の設定にも拡張される予定です。

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。