A Simulation Study for Multiple Exposures Model with Unmeasured Confounders

Abstract

Epidemiologists aim to understand and measure causal relationships between exposures and outcomes. Traditionally, the focus has been on the health impacts of single exposures, adjusting for co-exposures statistically. However, real-life exposure involves multiple factors. Recent technological advancements enable better measurement of various exposures, fostering more detailed studies on causal inference. In epidemiological analysis of multiple exposures, crucial questions include identifying contributors to outcomes, understanding interactions, and summarizing combined effects. Each part of this study can work independently, cooperatively, or against each other. Multiple exposures often correlate due to shared sources, notably with advancing technology. Like in all analytical epidemiology, methods for studying multiple exposures must handle confounding, a systematic bias due to a common cause. This paper focuses on the underappreciated problem of bias in the context of multiple exposures, particularly confounding by unknown or unmeasured variables. Simultaneous inclusion of multiple exposure variables in a model can sometimes worsen bias, depending on the causal structure. The thesis explores different causal structures, estimating the effects of individual components from regression models under assumptions of additivity (ignoring interaction) and no measurement error. The interest lies in potential biases in effect estimates for individual exposures among multiple components, not a precision or overall prediction of the outcome. Considering this complexity, our study delves into various scenarios of multiple exposure analysis, incorporating the effects of unmeasured confounders. To achieve this, we constructed three types of directed acyclic graphs (DAGs) and generated 500 simulation results, providing robust conclusions for our research.;유행병학자들은 처치와 결과 간의 인과 관계를 이해하고 정확하게 측정하려 노력한 다. 전통적으로 그들의 관심은 단일 노출의 건강 영향에 집중되어 왔으며, 공동 노출 의 영향은 통계적으로 조절되었다. 그러나 현실에서는 다양한 요인이 동시에 작용하 는 복합적인 노출 또한 존재한다. 최근 기술의 발전을 통해 다양한 노출을 더 정확하 게 측정할 수 있게 되었으며, 인과 추론에 대한 더 상세한 연구가 가능하게 되었다. 다 중 노출 변수를 다루는 인과추론에서는 노출 변수의 인과 관계 뿐만 아니라, 노출변수 간의 상호작용, 모든 노출 변수의 종합적인 효과를 고려한다. 또한 다중 노출은 같은 원인을 공유하거나 비슷한 방식으로 결과에 영향을 미치기 때문에 상관 관계를 가지 는 경우가 대부분이다. 이러한 점에서, 다중 노출로 인한 인과 효과를 추정하는 연구 에서는 위의 연구 질문 및 다중 노출 변수의 특성으로부터 발생 가능한 편향을 다룰 수 있어야 한다. 본 논문은 특히 다중 노출 문맥에서 알려지지 않거나 측정되지 않은 변수로 인한 편향 문제에 중점을 두고 있다. 이를 설명하기 위하여 본 연구는 다양한 다중 노출 분석 시나리오를 구축하고, 이를 세 가지 DAG를 생성하여 설명한다. 변수 의 생성은 회귀식을 기반으로 하였으며, 1000개의 데이터 샘플을 500회 시뮬레이션 하여 연구 결과를 도출하였다.