Average Treatment Effects with Measurement Error and Variable Selection for Confounders

測定誤差と交絡因子の変数選択を伴う平均治療効果

A recent method proposed by Yi and Chen (2023) < doi:10.1177/09622802221146308 > is used to estimate the average treatment effects using noisy data containing both measurement error and spurious variables. The package 'AteMeVs' contains a set of functions that provide a step-by-step estimation procedure, including the correction of the measurement error effects, variable selection for building the model used to estimate the propensity scores, and estimation of the average treatment effects. The functions contain multiple options for users to implement, including different ways to correct for the measurement error effects, distinct choices of penalty functions to do variable selection, and various regression models to characterize propensity scores.

Yi and Chen (2023) < doi:10.1177/09622802221146308 >によって提案された最近の方法は、測定誤差とスプリアス変数の両方を含むノイズの多いデータを用いて平均治療効果を推定するために用いられます。パッケージ「AteMeVs」には、測定誤差効果の補正、傾向スコアを推定するためのモデル構築のための変数選択、平均治療効果の推定を含む、ステップバイステップの推定手順を提供する一連の関数が含まれています。この関数には、測定誤差効果の補正のさまざまな方法、変数選択を行うためのペナルティ関数の明確な選択、傾向スコアを特徴づけるためのさまざまな回帰モデルなど、ユーザーが実装できる複数のオプションが含まれています。

Propensity Score Matching for Unordered 3-Group Data

順序不同の3グループデータに対する傾向スコアマッチング

You can use this program for 3 sets of categorical data for propensity score matching. Assume that the data has 3 different categorical variables. You can use it to perform propensity matching of baseline indicator groupings. The matching will make the differences in the baseline data smaller. This method was described by Alvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >.

このプログラムは、傾向スコアマッチングのための3組のカテゴリーデータに対して使用することができます。データには3種類のカテゴリー変数があると仮定します。これを使用して、ベースライン指標グループ化の傾向マッチングを行うことができます。マッチングにより、ベースラインデータの差が小さくなります。この方法はAlvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >によって説明されています。

Techniques to Build Better Balance

より良いバランスを構築する技術

Build better balance in causal inference models. 'halfmoon' helps you assess propensity score models for balance between groups using metrics like standardized mean differences and visualization techniques like mirrored histograms. 'halfmoon' supports both weighting and matching techniques.

因果関係推論モデルにおいて、より良いバランスを構築します。「halfmoon」は、標準化平均差のようなメトリクスとミラーヒストグラムのような可視化技術を使用して、グループ間のバランスについて傾向スコアモデルを評価するのを助けます。「halfmoon」は、重み付けとマッチングの両方のテクニックをサポートしています。

Bayesian Dynamic Borrowing with Propensity Score

傾向スコアを用いたベイズ式動的借用法

A tool which aims to help evaluate the effect of external borrowing using an integrated approach described in Lewis et al., (2019) < doi:10.1080/19466315.2018.1497533 > that combines propensity score and Bayesian dynamic borrowing methods.

Lewisら(2019) < doi:10.1080/19466315.2018.1497533 >に記載されている、傾向スコア法とベイズ動的借用法を組み合わせた統合的なアプローチを用いて、外部借用の効果を評価することを支援することを目的としたツールです。

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。

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。