Słownik metodologiczny · Wnioskowanie przyczynowe

TMLE – celowana estymacja największej wiarygodności

TMLE łączy model wyniku z modelem przydziału i koryguje przewidywania w kroku celowania. Pokazujemy cztery kroki, podwójną odporność, rolę uczenia maszynowego, ręczny przykład w R i wzór opisu.

W skrócie: TMLE (celowana estymacja największej wiarygodności) szacuje efekt przyczynowy, łącząc model wyniku z modelem prawdopodobieństwa leczenia. Krok celowania koryguje przewidywania modelu wyniku, dzięki czemu oszacowanie jest zgodne, gdy poprawny jest choć jeden z dwóch modeli.

Co to jest TMLE?

TMLE (ang. targeted maximum likelihood estimation, celowana estymacja największej wiarygodności) to metoda szacowania efektów przyczynowych zaproponowana przez van der Laana i Rubina (2006). Zaczyna od wstępnego oszacowania modelu wyniku, a potem koryguje je w kroku „celowania” tak, aby poprawić estymację jednego wybranego parametru, np. przeciętnego efektu leczenia (ATE). Schuler i Rose (2017) opisują TMLE jako podejście podwójnie odporne oparte na metodzie największej wiarygodności, w którym dodatkowy krok optymalizuje kompromis między obciążeniem a wariancją dla parametru docelowego.

Jak działa – cztery kroki

  1. Model wyniku Q(A, W) i przewidywania przy A = 1 i A = 0 – jak w g-formule.
  2. Model przydziału g(W), czyli propensity score.
  3. Celowanie: regresja wyniku na „sprytną zmienną” H = A/g − (1 − A)/(1 − g) z przesunięciem logit(Q) i aktualizacja przewidywań o oszacowany parametr ε.
  4. ATE jako średnia różnica zaktualizowanych przewidywań; błąd standardowy z funkcji wpływu.

Oszacowanie jest zgodne, jeśli poprawny jest model wyniku albo model przydziału. W odróżnieniu od samego ważenia TMLE jest estymatorem podstawieniowym: wynik liczy się z przewidywań modelu, więc oszacowana różnica ryzyk nie wychodzi poza dopuszczalny zakres od −1 do 1. Luque-Fernandez i in. (2018) podkreślają, że TMLE pozwala elastycznie szacować oba modele metodami uczenia maszynowego, a w praktyce często łączy się je w zespół (Super Learner) z walidacją krzyżową. Wymaga też dodatniości: skrajne wartości g bliskie 0 lub 1 (brak wspólnego wsparcia) rozdmuchują H i wariancję, tak jak w wagach IPW.

Przykład

W symulacji 2000 osób model wyniku celowo pominął człon kwadratowy, a model przydziału był poprawny. Sama g-formuła dała ATE = −0.064, a po kroku celowania TMLE wyniosło −0.134, 95% CI [−0.176, −0.092], przy prawdziwej wartości −0.135.

Jak opisać w pracy

Przeciętny efekt leczenia oszacowano metodą TMLE z logistycznym modelem wyniku i modelem prawdopodobieństwa leczenia zależnymi od zmiennych wyjściowych. Błąd standardowy obliczono z funkcji wpływu. ATE wyniósł −0.134, 95% CI [−0.176, −0.092].
Przykład reprodukowalny

TMLE ręcznie w R

Kod wykonuje krok celowania ręcznie w bazowym R, a potem powtarza obliczenie funkcją tmle::tmle() z tymi samymi modelami. Model wyniku jest celowo źle określony, a model przydziału – poprawny.

G-formuła, krok celowania i funkcja wpływu

Dane wejściowe: 2000 osób, zmienne wyjściowe W1 i W2, binarne leczenie A i wynik Y (dane symulowane, set.seed(58201)); prawdziwy ATE z próby Monte Carlo 106 osób.

Co odczytać: g-formuła −0.064; ε = −0.070; TMLE −0.134 [−0.176, −0.092]; prawdziwy ATE −0.135; tmle::tmle() daje ten sam wynik: −0.134 [−0.176, −0.092].

R
# TMLE ręcznie dla binarnego leczenia i wyniku (krok celowania; dane symulowane)
set.seed(58201)
n <- 2000
W1 <- rnorm(n); W2 <- rbinom(n, 1, 0.5)
A <- rbinom(n, 1, plogis(-0.8 + 0.4 * W1 + 0.6 * W2 + 0.5 * W1^2))
Y <- rbinom(n, 1, plogis(-0.8 - 0.7 * A + 0.9 * W1 + 0.5 * W2 + 0.8 * W1^2))
d <- data.frame(W1, W2, A, Y)
# 1. model wyniku Q(A, W) – celowo bez członu W1^2 (źle określony)
Q <- glm(Y ~ A + W1 + W2, family = binomial, data = d)
QA <- predict(Q, type = "response")
Q1 <- predict(Q, transform(d, A = 1), type = "response")
Q0 <- predict(Q, transform(d, A = 0), type = "response")
# 2. model leczenia g(W) = P(A = 1 | W), czyli propensity score (dobrze określony)
g <- predict(glm(A ~ W1 + W2 + I(W1^2), family = binomial, data = d), type = "response")
# 3. krok celowania: "sprytna zmienna" H i fluktuacja epsilon
H <- A / g - (1 - A) / (1 - g)
eps <- coef(glm(Y ~ -1 + H + offset(qlogis(QA)), family = binomial))
Q1s <- plogis(qlogis(Q1) + eps / g)
Q0s <- plogis(qlogis(Q0) - eps / (1 - g))
QAs <- ifelse(A == 1, Q1s, Q0s)
ate <- mean(Q1s - Q0s)
# 4. błąd standardowy z funkcji wpływu
ic <- H * (Y - QAs) + (Q1s - Q0s) - ate
se <- sqrt(var(ic) / n)
round(c(g_formula = mean(Q1 - Q0), epsilon = unname(eps), tmle_ate = ate,
        ci_low = ate - 1.96 * se, ci_high = ate + 1.96 * se), 3)
# prawdziwy ATE (z parametrów symulacji, duża próba Monte Carlo)
set.seed(1); w1 <- rnorm(1e6); w2 <- rbinom(1e6, 1, 0.5)
round(mean(plogis(-1.5 + 0.9 * w1 + 0.5 * w2 + 0.8 * w1^2) -
           plogis(-0.8 + 0.9 * w1 + 0.5 * w2 + 0.8 * w1^2)), 3)
# to samo funkcją tmle::tmle() z tymi samymi modelami wyniku i przydziału
suppressPackageStartupMessages(library(tmle))
fit <- tmle(Y = d$Y, A = d$A, W = data.frame(W1, W2, W1sq = W1^2), family = "binomial",
            Qform = Y ~ A + W1 + W2, gform = A ~ W1 + W2 + W1sq)
round(c(tmle_ate = fit$estimates$ATE$psi, ci_low = fit$estimates$ATE$CI[1],
        ci_high = fit$estimates$ATE$CI[2]), 3)
Wynik w R
g_formula   epsilon  tmle_ate    ci_low   ci_high 
   -0.064    -0.070    -0.134    -0.176    -0.092 
[1] -0.135
tmle_ate   ci_low  ci_high 
  -0.134   -0.176   -0.092 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem tmle 2.1.1. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. tmle (wersja 2.1.1): Gruber, S., & van der Laan, M. J. (2012). tmle: An R package for targeted maximum likelihood estimation. Journal of Statistical Software, 51(13), 1–35. https://doi.org/10.18637/jss.v051.i13

Najczęstsze pytania

Czym TMLE różni się od g-formuły?

G-formuła opiera się tylko na modelu wyniku. TMLE dodaje model przydziału i krok celowania, który koryguje przewidywania, więc wynik pozostaje zgodny także wtedy, gdy model wyniku jest źle określony, a model przydziału poprawny.

Czy TMLE wymaga uczenia maszynowego?

Nie. Kroki można wykonać ze zwykłymi modelami logistycznymi, jak w przykładzie. Uczenie maszynowe (np. Super Learner) zmniejsza jednak ryzyko złego określenia obu modeli, dlatego często się je stosuje.

Co zrobić, gdy propensity score przyjmuje wartości bliskie 0 lub 1?

Sprawdź wspólne wsparcie i rozkład prawdopodobieństw w grupach. Skrajne wartości zawyżają sprytną zmienną i wariancję. Rozważ zawężenie populacji docelowej albo przycinanie prawdopodobieństw i opisz to w raporcie.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Luque-Fernandez, M. A., Schomaker, M., Rachet, B., & Schnitzer, M. E. (2018). Targeted maximum likelihood estimation for a binary treatment: A tutorial. Statistics in Medicine, 37(16), 2530–2546. https://doi.org/10.1002/sim.7628 ● Otwarty dostęp
  2. Schuler, M. S., & Rose, S. (2017). Targeted maximum likelihood estimation for causal inference in observational studies. American Journal of Epidemiology, 185(1), 65–73. https://doi.org/10.1093/aje/kww165
  3. van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). https://doi.org/10.2202/1557-4679.1043 ● Otwarty dostęp

Cytowania BibTeX

@article{luquefernandez2018targeted, author={Luque-Fernandez, Miguel Angel and Schomaker, Michael and Rachet, Bernard and Schnitzer, Mireille E.}, title={{Targeted maximum likelihood estimation for a binary treatment: A tutorial}}, journal={Statistics in Medicine}, year={2018}, volume={37}, number={16}, pages={2530--2546}, doi={10.1002/sim.7628}}
@article{schuler2017targeted, author={Schuler, Megan S. and Rose, Sherri}, title={{Targeted maximum likelihood estimation for causal inference in observational studies}}, journal={American Journal of Epidemiology}, year={2017}, volume={185}, number={1}, pages={65--73}, doi={10.1093/aje/kww165}}
@article{vanderlaan2006targeted, author={van der Laan, Mark J. and Rubin, Daniel}, title={{Targeted maximum likelihood learning}}, journal={The International Journal of Biostatistics}, year={2006}, volume={2}, number={1}, doi={10.2202/1557-4679.1043}}
R