キャリブレーション済みアライメントによる共変量ミスマッチ下のRCTベース治療効果推定の改善 (CALM)

要旨: ランダム化比較試験（RCT）は異質な処置効果を推定する際の標準手法であるが、効果異質性を検出するにはしばしばパワー不足である。大規模観察研究（OS）は条件付き平均処置効果（CATE）推定のためにRCTを補完できるが、重要な障壁は共変量のミスマッチである。二つのソースは異なる共変量を測定し、部分的にしか重複していない共変量を含む。私たちは CALM（Calibrated ALignment under covariate Mismatch）を提案する。これは欠測値の補完を回避するために、各データ源の特徴を共通の表現空間へ写像する埋め込みを学習する。OS のアウトカムモデルをRCTの埋め込み空間へ移し、試験データを用いて較正することで、ランダム化からの因果識別性を保持する。有限標本リスク境界は、アライメント誤差、アウトカムモデルの複雑さ、キャリブレーションの複雑さの項へ分解され、埋め込みアライメントが補完より優れている状況を特定する。キャリブレーションベースの線形変種の下では、負の転移に対する保護を提供する。一方、ニューラル変種は極端な分布シフトの下で脆弱になる可能性がある。疎な線形モデルの下では、埋め込みアプローチは補完を厳密に一般化する。51件の設定にわたるシミュレーションは、(i) 線形 CATE に対してキャリブレーションベースの手法が等価であること、(ii) ニューラル埋め込み変種がすべての22の非線形レジーム設定で大きなマージンをもって勝利することを確認した。