An average-case sensitivity analysis for unmeasured confounding

Technische Zusammenfassung: Eine Average-Case-Sensitivitätsanalyse für nicht gemessene Konfundierung

Problemstellung
In Beobachtungsstudien stützt sich die kausale Inferenz auf die Annahme der Unkonfundiertheit (Ignorability), die besagt, dass die Behandlungszuweisung unabhängig von den potenziellen Ergebnissen unter Berücksichtigung der beobachteten Kovariaten ist. Da diese Annahme nicht testbar ist, ist eine Sensitivitätsanalyse erforderlich, um zu bewerten, wie sich die Schlussfolgerungen bei Verletzungen der Unkonfundiertheit ändern könnten. Bestehende Ansätze, insbesondere das marginale Sensitivitätsmodell (Tan, 2006; Zhao et al., 2019), verwenden typischerweise einen „Worst-Case“-Parameter ($\Gamma$), der die $L_\infty$-Norm der Logit-Differenz zwischen den beobachteten und den vollen Propensity-Scores begrenzt. Während dieser Worst-Case-Ansatz mathematisch handhabbar ist, kann er übermäßig pessimistisch sein, da die Schranke durch die extremsten (und potenziell seltenen) Werte der Kovariaten bestimmt wird, wodurch die durchschnittliche Stärke der nicht gemessenen Konfundierung nicht erfasst wird.

Methodik
Die Autoren schlagen ein neues Average-Case-Sensitivitätsmodell vor, das durch das zweite Moment des Propensity-Score-Verhältnisses, $\Sigma$, parametrisiert ist. Anstatt die maximale Abweichung zu begrenzen, beschränkt dieses Modell das erwartete quadratische Verhältnis der Propensity-Scores:
$$E \{ \nu_{1,h}(X) \} \le \Sigma,$$
wobei $\nu_{1,h}(X) = E\{h^2(X, Y) \mid X, Z=1\}$ und $h(X, Y) = e(X)/e(X, Y)$ das Propensity-Score-Verhältnis ist. Diese Formulierung setzt lediglich voraus, dass die durchschnittliche Stärke der nicht gemessenen Konfundierung begrenzt ist.

Die Autoren behandeln die damit verbundene Sensitivitätsanalyse als Optimierungsproblem, um scharfe Schranken (bounds) für die durchschnittlichen potenziellen Ergebnisse, $E\{Y(1)\}$ und $E\{Y(0)\}$, abzuleiten.

1. Populationslösungen: Die Autoren lösen das Optimierungsproblem analytisch unter Verwendung von Lagrange-Formulierungen.
   • Sie formulieren das Problem neu, indem sie ein Optimierungsproblem zwischen dem „Risiko“ (zweites Moment) und dem „Ertrag“ (erstes Moment) des Propensity-Score-Verhältnisses lösen, wobei sie eine Analogie zum Markowitz-Portfolio-Problem ziehen.
   • Sie leiten geschlossene Lösungen für die optimale Propensity-Score-Verhältnis-Funktion $h^*(X, Y)$ ab. Im Gegensatz zum Worst-Case-Modell, bei dem die optimale Lösung eine stückweise konstante Funktion (Stufenfunktion) ist, ist die Average-Case-Lösung eine stückweise lineare Funktion der Variable $Y$.
   • Sie stellen fest, dass diese Lösungen scharfe Schranken liefern, was bedeutet, dass jeder Wert innerhalb des abgeleiteten Intervalls durch eine gültige datengenerierende Verteilung erfüllt werden kann, die die Nebenbedingungen erfüllt.
2. Schätzung und Inferenz:
   • Die Autoren leiten die effizienten Einflussfunktionen (EIFs) für die Schranken und Sensitivitätswerte sowohl unter den Average-Case- als auch unter den Worst-Case-Modellen ab.
   • Sie schlagen One-Step-Schätzer basierend auf diesen EIFs vor, die Cross-Fitting nutzen, um Störparameter (wie den Propensity-Score und die bedingte Ergebnisverteilung) zu handhaben. Dieser Ansatz ermöglicht $\sqrt{n}$-Konsistenz und asymptotische Normalität, selbst wenn die Störparameter mit langsameren Raten (z. B. $o_P(n^{-1/4})$) geschätzt werden.
   • Um die Inferenz über einen Bereich von Sensitivitätsparametern zu erleichtern, wenden sie den Multiplier-Bootstrap an, um simultane Konfidenzbänder für die Sensitivitätskurven zu konstruieren.

Wichtigste Ergebnisse

• Engere Schranken: Durch ein numerisches Beispiel mit einer „Gated Confounding“-Struktur zeigen die Autoren, dass das Average-Case-Modell deutlich engere Schranken für den durchschnittlichen Behandlungseffekt (ATE) liefert als das Worst-Case-Modell. Es wird gezeigt, dass der Worst-Case-Parameter $\Gamma$ durch extreme Ausreißer getrieben wird, während der Average-Case-Parameter $\Sigma$ die Konfundierungsstärke für die Mehrheit der Population besser widerspiegelt.
• Effizienz: Simulationsstudien bestätigen, dass die vorgeschlagenen One-Step-Schätzer basierend auf EIFs schneller konvergieren und einen geringeren mittleren quadratischen Fehler (RMSE) aufweisen als direkte Plug-in-Schätzer, insbesondere wenn die Störparameter mittels nichtparametrischer Methoden geschätzt werden.
• Anwendung auf Realdaten: In einer Studie zur Schätzung des Effekts des Fischkonsums auf den Quecksilbergehalt im Blut (NHANES 2013-2014) kalibrieren die Autoren die Sensitivitätsparameter gegen beobachtete Kovariaten (Bildung, Einkommen, Alter). Das Average-Case-Modell legt nahe, dass das Fazit (dass Fischkonsum den Quecksilbergehalt erhöht) gegenüber einer nicht gemessenen Konfundierung robust ist, deren Größenordnung mit den beobachteten Kovariaten vergleichbar ist, während das Worst-Case-Modell darauf hindeutet, dass das Fazit fragil ist. Die Average-Case-Schranken sind bemerkenswert optimistischer und enger gefasst.

Bedeutung und Ansprüche
Das Paper behauptet, einen realistischeren und weniger pessimistischen Rahmen für die Sensitivitätsanalyse zu bieten, indem es von Worst-Case- zu Average-Case-Beschränkungen übergeht. Die zentralen Beiträge sind:

1. Analytische Handhabbarkeit: Im Gegensatz zu früheren Verallgemeinerungen marginaler Sensitivitätsmodelle, die Beschränkungen lockern, um die Optimierung handhabbar zu machen (was zu nicht-scharfen Schranken führt), liefert dieses Paper geschlossene, scharfe Lösungen für das Average-Case-Problem.
2. Vereinheitlichende Sichtweise: Die abgeleiteten Lösungen bieten eine vereinheitlichende Perspektive auf Worst-Case- und Average-Case-Modelle und verdeutlichen den strukturellen Unterschied zwischen stückweise konstanten (Worst-Case) und stückweise linearen (Average-Case) optimalen Gewichten.
3. Praktischer Nutzen: Durch die Ermöglichung der Konstruktion simultaner Konfidenzbänder und die Bereitstellung einer Methode zur Kalibrierung von Sensitivitätsparametern mithilfe beobachteter Kovariaten ermöglicht der Ansatz nuanciertere und optimistischere Interpretationen von Beobachtungsstudien-Ergebnissen, ohne die mathematische Strenge aufzugeben.

Die Autoren halten fest, dass das Average-Case-Modell zwar optimistischer ist, aber dennoch ein gültiges Werkzeug der Sensitivitätsanalyse bleibt, das die „durchschnittliche“ Ausdehnung der nicht gemessenen Konfundierung erfasst, was für die politische und wissenschaftliche Inferenz oft relevanter ist als das theoretische Worst-Case-Szenario.