[論文レビュー] Bounds on the conditional and average treatment effect in the presence of unobserved confounders

Steve Yadlowsky, Hongseok Namkoong+3 more|arXiv (Cornell University)|Aug 28, 2018

Advanced Causal Inference Techniques被引用数 6

ひとこと要約

本稿は、未観測の交絡要因が存在する状況下で、有界なオッズ比の制約のもとで、損失最小化を用いて条件付き平均処置効果（CATE）および平均処置効果（ATE）の境界を求めるスケーラブルで柔軟な手法を開発する。未観測の交絡要因が存在しても有効であることを保証する、ネイマン直交的で root-n 一様推定可能な AIPW 型推定量を導入し、理論的にタイトな境界と有限標本における正確なカバレッジを達成する。

ABSTRACT

For observational studies, we study the sensitivity of causal inference when treatment assignments may depend on unobserved confounding factors. We develop a loss minimization approach that quantifies bounds on the conditional average treatment effect (CATE) when unobserved confounder have a bounded effect on the odds of treatment selection. Our approach is scalable and allows flexible use of model classes, including nonparametric and black-box machine learning methods. Using these bounds, we propose a related sensitivity analysis for the average treatment effect (ATE), and develop a semi-parametric framework that extends/bounds the augmented inverse propensity weighted (AIPW) estimator for the ATE beyond the assumption that all confounders are observed. By constructing a Neyman orthogonal score, our estimator is a regular root-n estimator so long as the nuisance parameters can be estimated at the $o_p(n^{-1/4})$ rate. We complement our methodological development with optimality results showing that our proposed bounds are tight in certain cases. We demonstrate our method on simulated and real data examples, and show accurate coverage of our confidence intervals in practical finite sample regimes.

研究の動機と目的

• 未観測の交絡要因が存在する観察的因果推論における課題に対処すること。処置割り当てが隠れた要因に依存する可能性がある。
• 未観測の交絡要因が処置選択に与える影響がオッズ比の観点で有界であると仮定したもとで、条件付き平均処置効果（CATE）の境界を導出すること。
• 観測された交絡要因の仮定を越えて、平均処置効果（ATE）の増強逆プロバビリティ重み付き（AIPW）推定量を拡張すること。
• ねずみんパラメータの推定に弱い正則性条件が適用される状況でも、結果として得られる ATE 推定量が root-n 一様かつ漸近正規であることを保証すること。
• 境界の理論的最適性を確立し、有限標本での性能を実証的に検証すること。

提案手法

• 未観測の交絡要因がオッズ比で有界であるという仮定のもとで、CATE の境界を計算するために損失最小化フレームワークを用いる。
• ネイマン直交的スコア関数を構築し、ネズミンパラメータ（例：アウトカムモデルやプロパティススコアモデル）が $ o_p(n^{-1/4}) $ の速度で推定されても、ATE の root-n 推定が可能であるようにする。
• オッズ比制約から導かれる境界を組み込むことで、未観測の交絡要因を許容する AIPW 推定量の拡張を行う。
• ネズミン関数の推定に、非パラメトリックおよびブラックボックス機械学習手法を含む柔軟なモデルクラスを用いる。
• ネズミン推定量の正則性に弱い条件が適用される状況でも、正則性と効率性を維持する半パラメトリック枠組みを導出する。
• 特定の状況において境界の理論的タイトさを確立し、与えられた制約のもとで最適であることを示す。

実験結果

リサーチクエスチョン

• RQ1 未観測の交絡要因が処置割り当てに影響を与えるが、オッズ比の制約が有効な場合、条件付き平均処置効果（CATE）をどのように境界化できるか？
• RQ2 未観測の交絡要因が存在する状況でも有効であるように、平均処置効果（ATE）の増強逆プロパティスワイトド（AIPW）推定量を拡張できるか。その場合、どのような条件下で可能か？
• RQ3 ネズミンパラメータが $ o_p(n^{-1/4}) $ の速度で推定される場合、提案された ATE 推定量の収束速度と漸近分布は何か？
• RQ4 CATE および ATE の導出された境界は、特定の統計モデルやデータ生成過程において理論的にタイトか？
• RQ5 未観測の交絡要因が存在する状況下で、ATE の信頼区間は有限標本カバレッジをどの程度達成するか？

主な発見

• 提案手法は、未観測の交絡要因が存在する状況でも、有効で有限標本カバレッジを達成する ATE の信頼区間を生成する。
• ネイマン直交的スコア関数により、ネズミンパラメータが $ o_p(n^{-1/4}) $ の速度で推定されれば、ATE 推定量の root-n 漸近正規性が保証され、頑健な推論が可能になる。
• 特定のパラメトリックおよび非パラメトリックモデルにおいて、CATE の境界はタイトであり、指定された制約のもとで最適であることが示唆される。
• 本手法はスケーラブルであり、ネズミン関数の非パラメトリックおよびブラックボックス機械学習モデルを含む柔軟なモデリングをサポートする。
• シミュレーションおよび実データにおける実証結果から、有限標本領域でも信頼区間のカバレッジが良好に維持されることが示された。
• オッズ比制約のもとで、未観測の交絡要因を許容する AIPW の拡張は、二重ロバスト性の性質を保持する。