Part III: Causal inference from complex longitudinal data
このPartでは，Time-varyingな状況下，つまり複数時点の処置（曝露もしくは介入），および共変量の情報があり，ある時点の曝露（介入）が共変量や次の時点の処置に影響を与えていく状況で，因果推論する方法を説明しています．
従来の解析手法（層別化や回帰モデル）ではバイアスを取り除くことができないので，g-methodを利用します．
最後に，Estimandを明確にし，観察研究でRCTを模倣する考え方であるTarget trialについて説明しています．
Chapter 21（前半）では，これまでのおさらいもしています．
Chapter 19 Time-varying treatments
発表者：tamago (@tamagomph) | Twitter
これまでのChapterは処置，共変量やアウトカムが1時点のデータ（Time-fixed）を扱ってきました．最後のPart IIIでは，複数の時点で処置，共変量を測定するデータ（Time-varying）を扱います．
このChapterは基礎として，処置の種類，time-varyingでのexchangeabilityの取扱い，diagramとしてのSWIG(Single-world intervention graph)を学習します．
このChapterのみでは多くの疑問点が生じるかもしれませんが，Chapter 19, 20と勉強していくと，Time-varyingの輪郭がはっきりしてきます．
Chapter 19 Time-varying treatments（『Causal Inference: What If』勉強会）
Chapter 20 Treatment-confounder feedback
発表者：Itsuki Osawa (@Osawa_Itsuki) | Twitter
このChapterでは，シンプルな解析手法である層別化や条件付けでは，因果構造に注意しながら推定しても，バイアスが入ることを学びます．Chapter 21の動機付けとなるChapterです．
Chapter 20 Treatment-confounder feedback（『Causal Inference: What If』勉強会）
Chapter 21（前半） G-methods for time-varying treatments
発表者：手を洗う救急医Taka（木下喬弘） (@mph_for_doctors) | Twitter
Chapter 21は前後半に分かれています．この動画は前半です．
まずPart IIで学んだ，g-methodを復習します．その後それらの方法をtime-varyingな状況に適用していきます．このChapterで扱うg-methodは，g-formulaとIPWです．二重ロバスト（Doubly robust）についても扱います．
Chapter 21（前半） Treatment-confounder feedback（『Causal Inference: What If』勉強会）
Chapter 21（後半） G-methods for time-varying treatments
Chapter 21は前後半に分かれています．この動画は後半です．
前回は，g-formula, IPW, そして二重ロバストを学習しました．今回はg-estimationを主に学習します．より柔軟なモデリングが可能となります．
Chapter 21（後半） Treatment-confounder feedback（『Causal Inference: What If』勉強会）
Chapter 22 Target trial emulation
発表者：Borealis (@insearchofsth) | Twitter
このChapterでは，RCTおよび観察研究で因果推論を統一的に考える方法を学びます．Target trialとは観察研究のデータでRCTを模倣（emulation）する考え方です．
Time-varying，ITT effect，Per protocol effectがキーワードです．
Chapter 22 Target trial emulation（『Causal Inference: What If』勉強会）