[論文レビュー] Causal Inference: A Missing Data Perspective

Peng Ding, Fan Li|arXiv (Cornell University)|Dec 17, 2017

Advanced Causal Inference Techniques参考文献 116被引用数 6

ひとこと要約

この論文は、因果推論を欠損データ問題として枠組み直し、因果分析の中心的役割を果たす潜在的アウトカムが、欠損データ問題におけるデータと同様に本質的に欠損していることを示している。無作為割り当てのもとで、因果推論手法（例：補完、重み付け、二重にロバストな推定）を欠損データ分析におけるそれらの類似手法に体系的にマッピングし、有限標本およびスーパーポピュレーション推定量の両方に対して、頻度的、ベイズ的、ランダム化に基づくアプローチを統合した推論フレームワークを提供する。

ABSTRACT

Inferring causal effects of treatments is a central goal in many disciplines. The potential outcomes framework is a main statistical approach to causal inference, in which a causal effect is defined as a comparison of the potential outcomes of the same units under different treatment conditions. Because for each unit at most one of the potential outcomes is observed and the rest are missing, causal inference is inherently a missing data problem. Indeed, there is a close analogy in the terminology and the inferential framework between causal inference and missing data. Despite the intrinsic connection between the two subjects, statistical analyses of causal inference and missing data also have marked differences in aims, settings and methods. This article provides a systematic review of causal inference from the missing data perspective. Focusing on ignorable treatment assignment mechanisms, we discuss a wide range of causal inference methods that have analogues in missing data analysis, such as imputation, inverse probability weighting and doubly-robust methods. Under each of the three modes of inference--Frequentist, Bayesian, and Fisherian randomization--we present the general structure of inference for both finite-sample and super-population estimands, and illustrate via specific examples. We identify open questions to motivate more research to bridge the two fields.

研究の動機と目的

• 潜在的アウトカムの欠損処理という共通の基盤に着目することで、因果推論と欠損データ分析の間の概念的・手法的ブリッジを構築すること。
• 逆確率重み付け、補完、二重にロバストな推定などの標準的因果推論手法が、欠損データ文献において直接類似する手法を有することを明確にすること。
• 因果推論における有限標本（SATE）およびスーパーポピュレーション（PATE）推定量の両方に対して、頻度的、ベイズ的、フィッシャーのランダム化アプローチを統合した推論フレームワークを統一すること。
• 感度分析や非無作為なメカニズムの取り扱いにおいて、因果推論と欠損データ手法のさらなる統合を促進する可能性がある未解決の研究課題を特定すること。
• 実応用研究においてこれらの統合手法を実装・広めるために、ロバストでオープンソースのソフトウェアツール（例：Rパッケージ、Stan）の使用を提唱すること。

提案手法

• 未観測の潜在的アウトカムを欠損データとして扱い、割り当てられた治療に応じた観測されたアウトカムとみなすことで、因果推論を欠損データフレームワークに形式化する。
• 補完、逆確率重み付け、二重にロバストな推定といった標準的欠損データ技術を、無作為割り当てのもとで平均処置効果（ATE）を推定するために適用する。
• 頻度的、ベイズ的、フィッシャーのランダム化の3つの推論パラダイムにおいて、スーパーポピュレーション（PATE）および有限標本（SATE）推定量の両方の推論手順を導出する。
• SUTVA（安定単位処置値仮定）下での潜在的アウトカムフレームワークを用いて、因果効果を潜在的アウトカムの差分として定義し、各単位について1つのアウトカムしか観測されないことを明確にする。
• 共変量の無作為性（unconfoundedness）の違反に対する因果推定のロバストネスを評価する感度分析技術を導入し、非無作為な欠損データモデリングと類似する。
• 外部データソースと複数補完戦略を組み合わせることで、共変量、処置、アウトカムにおける意図しない欠損データが生じる状況での推論を改善する。

実験結果

リサーチクエスチョン

• RQ1 無作為割り当て機構のもとで、因果推論における補完、重み付け、二重にロバストな推定といった手法が、欠損データ分析におけるそれらに対応する手法にどのようにマッピングされるか。
• RQ2 因果推論（頻度的、ベイズ的、フィッシャーのランダム化）の推論フレームワークと、欠損データ分析のそれらの間の構造的類似性は何か。
• RQ3 有限標本（SATE）とスーパーポピュレーション（PATE）推定量の違いが、因果推論および欠損データの文脈における推論戦略に与える影響は何か。
• RQ4 非無作為な処置割り当てまたは欠損データメカニズムの影響は何か。また、欠損データ分野から因果推論設定に感度分析を適応するにはどうすればよいか。
• RQ5 共変量、処置、アウトカムにおける意図しない欠損データは、どのように処理すれば因果推論の妥当性を保てるか。

主な発見

• 因果推論は本質的に欠損データ問題である。なぜなら、各単位について1つの潜在的アウトカムしか観測されず、残りの1つは反実仮想的で欠損しているからである。
• 因果推論における補完、逆確率重み付け、二重にロバストな手法は、欠損データ分析において直接類似する手法を有し、共通の理論的基盤と推論構造を持つ。
• SATE（有限標本）とPATE（スーパーポピュレーション）推定量の違いは、同じ識別仮定のもとでも、異なる推論的・計算的戦略をもたらす。
• 特に共変量の無作為性に関する感度分析は、非無作為な欠損データにおける選択モデルやパターン混合モデルと類似するが、実装方法や重視する点には差がある。
• 共変量、処置、アウトカムにおける意図しない欠損データは因果推論に顕著な影響を与える可能性があり、補完手法の選択は欠損の性質と慎重に整合させる必要がある。
• Rパッケージ（例：twang, MatchIt, lme4）やStanといったオープンソースのソフトウェアツールは、実応用研究においてこれらの統合手法を実装・広めるために不可欠である。