[論文レビュー] An Introduction to Proximal Causal Learning

Eric J. Tchetgen Tchetgen, Andrew Ying+3 more|arXiv (Cornell University)|Sep 23, 2020

Advanced Causal Inference Techniques参考文献 19被引用数 35

ひとこと要約

この論文は、未測定の交絡の代理変数を用いて観察データから因果効果を特定するためのproximal causal learningを開発し、proximal g-formulaとproximal g-computation algorithmを導入する。

ABSTRACT

A standard assumption for causal inference from observational data is that one has measured a sufficiently rich set of covariates to ensure that within covariate strata, subjects are exchangeable across observed treatment values. Skepticism about the exchangeability assumption in observational studies is often warranted because it hinges on investigators' ability to accurately measure covariates capturing all potential sources of confounding. Realistically, confounding mechanisms can rarely if ever, be learned with certainty from measured covariates. One can therefore only ever hope that covariate measurements are at best proxies of true underlying confounding mechanisms operating in an observational study, thus invalidating causal claims made on basis of standard exchangeability conditions. Causal learning from proxies is a challenging inverse problem which has to date remained unresolved. In this paper, we introduce a formal potential outcome framework for proximal causal learning, which while explicitly acknowledging covariate measurements as imperfect proxies of confounding mechanisms, offers an opportunity to learn about causal effects in settings where exchangeability on the basis of measured covariates fails. Sufficient conditions for nonparametric identification are given, leading to the proximal g-formula and corresponding proximal g-computation algorithm for estimation. These may be viewed as generalizations of Robins' foundational g-formula and g-computation algorithm, which account explicitly for bias due to unmeasured confounding. Both point treatment and time-varying treatment settings are considered, and an application of proximal g-computation of causal effects is given for illustration.

研究の動機と目的

• 観察 causal 推論における未測定の交絡の課題を動機づけ、形式化する。
• 代理変数を3種類に分類して特定を可能にするproximalフレームワークを導入する。
• comp性条件の下でproximal g-formulaを用いたノンパラメトリックな同定結果を導く。
• 点推定および時変治療の双方に対するproximal g-computation algorithmを用いた推定を開発する。

提案手法

• proxy typesを定義する（type a: common causes; type b: treatment-inducing confounding proxies; type c: outcome-inducing confounding proxies）。
• exchangeabilityを代理およびcompleteが満たされる条件で置換するproximal同定戦略を提示する。
• Robins’ g-formulaの設定で未測定の交絡を代理変数で扱う一般化としてproximal g-formulaを導出する。
• outcome confounding bridge function h(a,x,w)が積分方程式を解くことにより因果効果を同定する。
• proximal g-computation algorithmを介して推定を進めることができ、特定のcomplete性の仮定の下でノンパラメトリックな同定を示す。
• time-varying treatmentsとlongitudinal dataへ拡張し、それに対応する代理基準とbridge-function条件を適用する。

実験結果

リサーチクエスチョン

• RQ1 交換可能性が未測定の交絡のために崩れた場合、因果効果をどう識別できるのか？
• RQ2 異なるタイプの代理変数を用いてproximal g-formulaによって因果効果を回復できるか？
• RQ3 点推定および縦断設定におけるノンパラメトリック同定に必要な完全性条件とbridge-function条件は何か？

主な発見

• type a, b, c に分類される代理変数を用いて、 observed covariatesに対するexchangeabilityが崩れても因果効果を識別できる。
• proximal g-formulaはRobins’ g-formulaを一般化したもので、代理変数を介して未測定の交絡を考慮する。
• outcome confounding bridge function h(a,x,w)はFredholm積分方程式を解くことで因果効果を同定する。
• complete性条件の下で、因果効果パラメータβ(a)はproximal g-formulaを介して観測データの関数としてノンパラメトリックに同定される。
• このアプローチはtime-varying treatmentsおよび縦断データへ拡張でき、複雑な縦断設定に対するproximal同定結果をもたらす。