Technische Samenvatting: Causale Inferentie met behulp van Geaugmenteerde Epidemische Modellen

Probleemstelling

Het artikel behandelt de uitdaging van het afleiden van de causale effecten van tijdvariërende interventies ($A_t$) op epidemische uitkomsten ($Y_t$) met behulp van een enkele geobserveerde tijdreeks. Hoewel epidemische modellen regelmatig worden uitgebreid met interventievariabelen om scenario's te voorspellen of effecten te schatten, verwarreert de literatuur vaak twee verschillende interpretaties van deze "geaugmenteerde" modellen:

1. Data Generating Models (DGM's): Modellen die de conditionele dichtheid van geobserveerde random variabelen beschrijven.
2. Marginal Structural Models (MSM's): Causale modellen die de distributie van contrafeitelijke random variabelen $Y_t(a_1, \dots, a_t)$ beschrijven.

Het centrale probleem is dat het behandelen van een geaugmenteerd epidemisch model als een DGM om parameters te schatten via Maximum Likelihood Estimation (MLE) of Bayesiaanse methoden, en vervolgens diezelfde parameters te gebruiken om causale inferenties te maken (alsof het een MSM is), leidt tot inconsistente schatters. Deze inconsistentie manifesteert zich als de g-null paradox: zelfs wanneer er geen echt causaal effect is ($\beta_A = 0$), is het geschatte causale effect niet nul. Deze bias ontstaat door phantom variables (fantoomvariabelen)—niet-geobserveerde variabelen die de uitkomst beïnvloeden maar niet de interventie—die een conditionele afhankelijkheid induceren tussen de behandeling en de uitkomst in niet-lineaire parametrische modellen, waardoor likelihood-gebaseerde schattingen correlatie met causaliteit verwarren.

Methodologie

De auteurs stellen vier verschillende benaderingen voor en analyseren deze voor het omgaan met geaugmenteerde epidemische modellen, waarbij ze onderscheid maken tussen methoden die het model als een DGM behandelen versus een MSM.

Methode 1: Maximum Likelihood/Bayesiaanse Schatting (De Gebrekkige Benadering)

• Procedure: Het geaugmenteerde model wordt behandeld als een DGM. Parameters worden geschat via MLE of Bayesiaanse inferentie. Het passende model wordt vervolgens gebruikt om causale effecten te berekenen (bijv. via de g-formule) of scenario-voorspellingen te doen.
• Probleem: Deze benadering lijdt aan de g-null paradox. In de aanwezigheid van fantoomvariabelen kan de likelihood-functie causale effecten niet scheiden van conditionele afhankelijkheid. Bijgevolg zijn de schattingen van causale parameters inconsistent, wat resulteert in niet-nul effecten, zelfs wanneer het ware effect nul is.

Methode 2: Extractie van Causale Effecten via Estimating Equations

• Procedure:
  1. Behandel het geaugmenteerde model als een DGM en neem confounders ($X_t$) op.
  2. Extraheer het causale effect $\psi(a_t)$ uit de DGM met behulp van de g-formule (Vergelijking 9).
  3. Schat de parameters van het resulterende causale model met behulp van estimating equations (Vergelijking 14) in plaats van likelihood.
• Mechanisme: Deze methode gebruikt de propensity score (afgeleid van de DGM) om de estimating equations te wegen, wat effectief corrigeert voor confounding.
• Beperking: Het vereist het specificeren van de volledige gezamenlijke distributie van de observeerbare variabelen, wat computationeel veeleisend en vaak onhandelbaar is. Het resulterende causale model kan aan interpreteerbaarheid inboeten.

Methode 3: Geaugmenteerde Modellen als Marginal Structural Models (Aanbevolen)

• Procedure:
  1. Interpreteer het geaugmenteerde epidemische model direct als een MSM voor de contrafeitelijke $Y_t(a_t)$.
  2. Specificeer een apart model voor de propensity score (de waarschijnlijkheid van de interventie gegeven de eerdere historie).
  3. Schat parameters met behulp van estimating equations (Vergelijking 14).
• Mechanisme: Door het epidemische model als een causaal model voor contrafeitelijken te behandelen, vermijden de auteurs de variatie-afhankelijkheid tussen causale en afhankelijkheidsparameters die likelihood-gebaseerde methoden teistert. Het causale effect $\psi(a_t; \theta)$ wordt vaak benaderd via Monte Carlo-simulatie (Vergelijking 15) als een gesloten vorm niet beschikbaar is.
• Voordeel: Dit is de eenvoudigste benadering, sluit aan bij standaard praktijken in causale inferentie en behandelt confounders gemakkelijk via de propensity score. Het vermijdt de g-null paradox.

Methode 4: Causaliteits-behoudende Data Generating Models

• Procedure:
  1. Gebruik het geaugmenteerde model als een MSM.
  2. Construeer een volledige DGM voor de observeerbare variabelen $(X_t, A_t, Y_t)$ die consistent is met de gespecificeerde MSM met behulp van copula's (specifiek "frugal parameterization" zoals beschreven door Evans en Didelez, 2024).
  3. Schat alle parameters via Maximum Likelihood.
• Mechanisme: Door de parametrisering van causaliteit (via de MSM) en afhankelijkheid (via de copula) expliciet te scheiden, wordt het model variatie-onafhankelijk, waardoor de g-null paradox wordt vermeden zonder te delen door de propensity score.
• Beperking: Dit is technisch de meest uitdagende benadering, aangezien het complexe modellering van gezamenlijke distributies en copula's vereist, met name voor enkele tijdreeksen.

Belangrijkste Bijdragen en Resultaten

Theoretische Bijdragen

• Identificatie van Phantom Bias: Het artikel demonstreert rigoureus dat fantoomvariabelen (niet-geobserveerde factoren die uitkomsten beïnvloeden maar niet interventies) ervoor zorgen dat likelihood-gebaseerde schattingen in niet-lineaire epidemische modellen inconsistent zijn, zelfs in afwezigheid van ongemeten confounding.
• Onderscheid in Interpretaties: Het verheldert dat DGM's en MSM's over het algemeen niet uitwisselbaar zijn in tijdreeksinstellingen en dat het verwarren van deze leidt tot de g-null paradox.
• Methodologisch Kader: De auteurs bieden een gestructureerde vergelijking van vier methoden, waarbij zij benadrukken dat Methoden 2, 3 en 4 geldig zijn voor causale inferentie, terwijl Methode 1 dat niet is.

Empirische Resultaten

De auteurs valideren hun theoretische claims via gesimuleerde data en een observationele studie:

1. Semi-mechanistische Model Simulatie:
   • Methode 1 (MLE): Toonde significante fantoombias. Wanneer het ware causale effect $\beta_A = 0$ was, schatte de MLE een niet-nul effect.
   • Methode 3 (Estimating Equations): Produceerde onbevooroordeelde schattingen en herstelde correct $\beta_A = 0$ wanneer het ware effect nul was.
2. SEIR Model Simulatie:
   • Repliceerde de bevindingen: MLE-schattingen waren vertekend door fantoomvariabelen, terwijl de estimating equation-schattingen (Methode 3) consistent waren.
3. Observationele Studie (Amerikaanse COVID-19 Data):
   • Analyseerde het effect van mobiliteit (percentage voltijdswerk) op COVID-19 sterftecijfers in 30 Amerikaanse staten.
   • Vergelijking: De schattingen van Methode 3 waren significant lager dan de Methode 1 (MLE) schattingen in 24 van de 30 staten ($p < 0,001$).
   • Interpretatie: De auteurs suggereren dat de hogere MLE-schattingen waarschijnlijk het causale effect van mobiliteit op sterfte hebben overschat door fantoombias, terwijl de estimating equation-benadering een conservatiever en waarschijnlijk nauwkeuriger schatting bood.

Betekenis en Claims

Het artikel beweert dat standaardpraktijken in de epidemische modellering—specifiek het fitten van geaugmenteerde modellen via likelihood en het interpreteren daarvan als causaal—fundamenteel gebrekkig zijn vanwege de g-null paradox. De auteurs stellen dat:

1. MLE en Bayesiaanse schattingen niet gebruikt mogen worden voor causale inferentie in deze contexten, omdat ze inconsistente schatters opleveren.
2. Methode 3 de meest praktische en natuurlijke oplossing is. Het vereist minder modelleringsaannames dan Methode 4 en vermijdt de onhandelbaarheid van Methode 2, terwijl het fantoombias succesvol elimineert.
3. Model Mis-specificatie vs. Fantoombias: Hoewel alle methoden lijden onder potentiële model-mis-specificatie, elimineren alleen Methoden 2, 3 en 4 de specifieke structurele bias die door fantoomvariabelen in niet-lineaire modellen wordt geïntroduceerd.

De auteurs concluderen dat hoewel Methode 4 een principieel, volledig gespecificeerd alternatief biedt dat het delen door propensity scores vermijdt, Methode 3 de aanbevolen benadering blijft vanwege de eenvoud en interpreteerbaarheid. Zij benadrukken de kritieke noodzaak om onderscheid te maken tussen data-genererende modellen en causale modellen in epidemisch onderzoek.