[論文レビュー] Bounded, efficient and multiply robust estimation of average treatment effects using instrumental variables

Linbo Wang, Eric Tchetgen Tchetgen|arXiv (Cornell University)|Nov 29, 2016

Advanced Causal Inference Techniques参考文献 52被引用数 8

ひとこと要約

本稿は、未測定の交絡要因が存在する状況下でも、境界付きで効率的かつ一貫した推定が可能な平均処置効果（ATE）のための、新しい同定枠組みと多重ロバスト推定量を提案する。この手法は、同定の仮定と推定モデルを分離することで、特定の観察データモデルにコミットすることなくATEの同定を可能にし、複数のモデルまたはそれらの和集合において一貫性を保つ推定量を提供する。

ABSTRACT

Instrumental variables (IVs) are widely used for estimating causal effects in the presence of unmeasured confounding. Under the standard IV model, however, the average treatment effect (ATE) is only partially identifiable. To address this, we propose novel assumptions that allow for identification of the ATE. Our identification assumptions are clearly separated from model assumptions needed for estimation, so that researchers are not required to commit to a specific observed data model in establishing identification. We then construct multiple estimators that are consistent under three different observed data models, and multiply robust estimators that are consistent in the union of these observed data models. We pay special attention to the case of binary outcomes, for which we obtain bounded estimators of the ATE that are guaranteed to lie between -1 and 1. Our approaches are illustrated with simulations and a data analysis evaluating the causal effect of education on earnings.

研究の動機と目的

• 未測定の交絡要因が存在する状況下で、道具変数（IV）を用いて平均処置効果（ATE）を推定する課題に対処すること。
• 同定の仮定を推定モデルとは明確に分離し、同定段階で特定の観察データモデルにコミットすることなく、研究者が柔軟に扱えるようにすること。
• 3つの異なる観察データモデルの下で一貫性を示す推定量を構築し、モデルの誤指定に対する耐性を高めること。
• 二値の結果変数に対して、推定量が-1から1の範囲に収まるようにすることにより、解釈可能性と妥当性を保つこと。
• 複数のモデルのうちいずれか1つが正しく指定されていれば一貫性を保つ多重ロバスト推定量を提供すること。

提案手法

• 同定のための条件と推定のための条件を分離する新しい同定仮定を導入し、モデリングの柔軟性を高める。
• 3つの異なる観察データモデルの下で一貫性を示す複数の推定量を開発し、それぞれが異なる条件付き独立性仮定に対応する。
• 3つのモデルのうち少なくとも1つが正しく指定されていれば一貫性を保つ多重ロバスト推定量を構築し、信頼性を高める。
• 二値の結果変数に対して、-1から1の範囲に必ず収まる推定量を導出することで、解釈可能性を確保し、非現実的な効果推定を回避する。
• 半パラメトリック推論技術を用いて効率性とロバスト性を達成し、IV文脈における二重ロバスト性の原則を活用する。
• モデル不確実性下での推定を改善するために、逆確率重量化とアウトカム回帰を二重ロバスト枠組み内で統合する。

実験結果

リサーチクエスチョン

• RQ1 未測定の交絡要因が存在する状況下で、道具変数（IV）を用いて平均処置効果（ATE）を非パラメトリックに同定する方法は何か？
• RQ2 同定仮定を推定モデルから明確に分離することで、メソドロジーの透明性と柔軟性を向上させることができるか？
• RQ3 複数の観察データモデルの下で一貫性を示す推定量は何か？また、それらを組み合わせて多重ロバスト推論を達成する方法は何か？
• RQ4 二値の結果変数に対する推定量を-1から1の範囲に制限しながら、効率性とロバスト性を維持する方法は何か？
• RQ5 複数の作業モデルが誤指定されていても一貫性を保つ効率的かつ多重ロバストな推定量を構築できるか？

主な発見

• 提案された同定仮定により、アウトカムや処置メカニズムの強いパラメトリックモデル化を要せず、道具変数を用いたATEの非パラメトリック同定が可能になる。
• 本手法は同定と推定を明確に分離しており、研究者が特定の観察データモデルにコミットすることなく同定を確立できる。
• 3つの異なる観察データモデルの下で一貫性を示す複数の推定量が構築された。それぞれが異なる条件付き独立性仮定に基づいている。
• 3つのモデルのうち少なくとも1つが正しく指定されていれば一貫性を保つ多重ロバスト推定量が開発され、著しくロバスト性が向上した。
• 二値の結果変数に対して、提案された推定量は-1から1の範囲に収まることが保証され、理論的に有効な範囲内に効果推定値が収束する。
• シミュレーションと実データ解析の両方で、提案された推定量が高い効率性を示し、モデルの誤指定下でも良好な有限標本性能を維持することが示された。