⛰️

因果推論本『Causal inference: What if』のまとめページ（Part III）

2022/12/29に公開

Part III: Causal inference from complex longitudinal data

このPartでは、時間変動（Time-varying） な状況下、つまり複数時点の処置（曝露もしくは介入）、および共変量の情報があり、ある時点の曝露（介入）が共変量や次の時点の処置に影響を与えていく状況で、因果推論する方法を説明しています。

従来の解析手法（層別化や回帰モデル）ではバイアスを取り除くことができないので、g-methodを利用します。

最後に、Estimandを明確にし、RCTを模倣した観察研究デザインの考え方であるTarget trialについて説明しています。

Chapter 21（前半）では、これまでのおさらいもしています。

これまでのChapterは処置、共変量やアウトカムが1時点のデータ（Time-fixed）を扱ってきました。最後のPart IIIでは、複数の時点で処置、共変量を測定するデータ（Time-varying）を扱います。

このChapterは基礎として、処置の種類、time-varyingでのexchangeabilityの取扱い、diagramとしてのSWIG(Single-world intervention graph)を学習します。

このChapterのみでは多くの疑問点が生じるかもしれませんが、Chapter 19, 20と勉強していくと、Time-varyingの輪郭がはっきりしてきます。

このChapterでは、シンプルな解析手法である層別化や条件付けでは、因果構造に注意しながら推定しても、バイアスが入ることを学びます。Chapter 21の動機付けとなるChapterです。

Chapter 21は前後半に分かれています。この動画は前半です。

まずPart IIで学んだ、g-methodを復習します。その後それらの方法をtime-varyingな状況に適用していきます。このChapterで扱うg-methodは、g-formulaとIPWです。二重ロバスト（Doubly robust）についても扱います。

Chapter 21は前後半に分かれています。この動画は後半です。

前回は、g-formula, IPW, そして二重ロバストを学習しました。今回はg-estimationを主に学習します。より柔軟なモデリングが可能となります。

このChapterでは、RCTおよび観察研究で因果推論を統一的に考える方法を学びます。Target trialとはRCTを模倣（emulation）した観察研究デザインの考え方です。

Time-varying、ITT effect、Per protocol effectがキーワードです。