因果推論特論

Epidemiologic theory and methodology

994G35N

46MASTS504

篠崎　智大

SHINOZAKI Tomohiro

2024年度前期

2024 1st Semester

火曜4限

Tuesday, 4th Period

工学研究科　情報工学専攻

Department of Information and Computer Technology, Graduate School of Engineering

2.0単位

講義

Lecture

-

① [対面]対面授業/ [On-site] On-site class

現代の統計的因果推論に用いられる因果モデルの基礎と統計解析方法論について講義を行う。演習にはSASまたはRを用いる。

This course provides the lecture about the fundamental models for modern statistical causal inference and statistical methodology for data analysis. Students also work on the SAS or R software to analyze real-world and simulated datasets.

受講者は、因果を表す概念モデルと統計手法を応用することで、データにおいて観察された「相関」や「関連」からいかにして「因果」を議論できるかを学ぶ。特に医学・疫学研究における因果推論の基礎的事項から近年の発展までを概観し、治療効果や健康影響因子への曝露効果の推定のために必要な方法論についての理解を目指す。受講後には、この分野の発展的な教科書や論文を読むための基礎能力を身に着けていることを目標とする。

本講義は情報工学専攻におけるディプロマポリシー「情報工学分野に応じた高度な専門知識」を身につける科目である。

Students learn how to infer or discuss "causality" from observed "correlation/association", by applying conceptual causal models and statistical methodology. In particular, students overview the fundamental concepts of causal inference and its recent methodological development to understand approaches necessary for estimating causal effects of pharmaceutical treatments or health-related exposures. The aim is to obtain the basic capacity to read the advanced textbooks and articles in this field.

This lecture is a subject to acquire "advanced expertise of information and computer technology" specified in the diploma policy of the Department of Information and Computer Technology.

1. 現代の代表的な因果モデルを理解する
2. 交絡という現象を理解する
3. 統計モデルによる交絡調整の原理を理解する
4. 複雑なデータ構造（経時的に変化する変数など）に伴う推測の困難さを理解する

1. To understand typical modern causal models
2. To understand the problem known as "confounding"
3. To understand the principle of confounding adjustment via statistical models
5. To understand the difficulty in causal inference from complex data structure (e.g., in the presence of time-varying variables)

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
​You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/​​​

原則として全ての講演を聴講し、次週までにレポートを提出することが単位取得のための必要条件である。スケジュールについては、第1回目の開講日をガイダンス回として設定し、その際に説明する。

尤度にもとづく漸近理論をはじめとした統計的推測、多変数回帰（一般化線形モデル、一般化推定方程式）の基礎知識・解析経験を前提とする。

In principle rule, taking all lectures and submitting each report is a necessary for credit of this lecture. The concrete schedule will be explained in the first class (orientation).

Prerequisite for the class: fundamental knowledge of statistical inference including asymptotic theory based on likelihood, generalized linear models, and generalized estimating equations. Having experience of analysis using these techniques is preferable.

-

-

準備は特に必要ないが、ほぼ毎回レポートが課されるので、講演内容等に対する復習は必須である。

Preparation is not necessary, but a report is imposed in each class, therefore, review on lecture contents is absolutely necessary.

学習態度・学習に対する姿勢：35%
課題・授業外レポート　　　：65%

Evaluated by positiveness of participation in class (35%) and report (65%).

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
​https://mirai.kinokuniya.co.jp/tokyorika/​​​

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​​https://mirai.kinokuniya.co.jp/tokyorika/

Hernán MA, Robins JM (2021). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
田中司朗（2022）．医学のための因果推論．朝倉書店．ISBN：978-4-254-12270-1
G.W. インベンス，D.B. ルービン （2023）．インベンス・ルービン 統計的因果推論（上・下）．朝倉書店．ISBN：978-4254122695/978-4254122923

S. L. Morgan，C. Winship（2024）．反事実と因果推論．朝倉書店．ISBN：978-4254122695 

1. 交絡と層別解析（反事実因果モデル、交絡、層別解析、回帰、傾向スコア）
2. 統計モデルを用いた交絡調整（回帰モデル、傾向スコアモデル、二重ロバスト推定）
3. パラメトリックモデルによる推測（一般化線形モデル、最尤法、スコア関数、スコア方程式）
4. セミパラメトリック推測の基礎（推定方程式、IPW推定、回帰標準化、AIPW推定）
5. 二重ロバスト推測（回帰型・IPW型のDR推定量、影響関数、TMLE）
6. 因果モデル概論（十分構成原因モデル、潜在アウトカムモデル、構造方程式モデル、FRCISTGモデル）
7. 因果ダイアグラム（DAGと因果DAG、因果推論における変数選択、SWIGs）
8. 操作変数法（Wald推定量、効果への追加仮定、構造平均モデル）
9. マッチング（マッチングと因果モデル、共変量バランス、モデル依存度、傾向スコアマッチング）
10. 時間依存性交絡とその調整1（繰り返し治療の効果、識別条件、g-methods）
11. 時間依存性交絡とその調整2（g-公式、周辺構造モデル）
12. 時間依存性交絡とその調整3（構造ネストモデル）
13. RWDに即した因果解析（動的な治療方針、因果媒介分析）
14. 競合イベント存在下でのestimand（直接・間接効果、競合リスク、分離可能効果）
15. 講義の補足と理解を深めるためのQ&A


1. Confounding and stratified analysis
(counterfactual outcome model, confounding, stratified analysis, regression, propensity score)
2. Model-based confounding adjustment
(regression model, propensity score model, doubly robust estimation)
3. Parametric model-based inference
(generalized linear models, maximum likelihood estimation, score function, score equations)
4. Foundation of semiparametric inference
(estimating equations, IPW estimation, regression standardization, AIPW estimation)
5. Doubly robust inference
(influence functions, TMLE)
6. Introduction to models of causality
(sufficient-component cause model, potential outcome model, structural equation model, FRCISTG model)
7. Causal diagram
(DAGs vs. causal DAGs, variable selection in causal inference, SWIGs)
8. Instrumental variable method
(Wald estimator, additional assumptions for effect homogeneity, structural mean models)
9. Matching
(matching and causal model, covariate balance, model dependency, propensity score matching)
10. Adjustment for time-varying confounding 1
(effects of time-varying treatment/exposure, identifiability conditions, g-methods)
11. Adjustment for time-varying confounding 2
(g-formula, marginal structural models)
12. Adjustment for time-varying confounding 3
(structural nested models)
13. Causal analysis methods in RWD
(dynamic treatment strategies, causal mediation analysis)
14. Estimands in the presence of competing events
(direct/indirect effects, competing events, separable effects)
15. Question-and-answer for supplementation and deepening understanding of the series of lectures

-

SAS

R

N

N