[論文レビュー] Causal Inference and Data Fusion in Econometrics

Paul Hünermund, Elias Bareinboim|arXiv (Cornell University)|Dec 19, 2019

Advanced Causal Inference Techniques被引用数 18

ひとこと要約

本論文は、人工知能分野のdo計算およびデータフェージョン技術を統合することで、計量経済学における因果推論のための統一的で非パrametricなフレームワークを提唱する。このフレームワークは、観察データ、実験データ、選択バイアスがかかるサンプルといった多様で異種のデータソースから、グラフィカルモデルを用いて自動的に因果効果を同定可能にし、従来の計量経済学的手法が直面する未観測共変量、輸送可能性（transportability）、データの異質性といった制限を克服する。

ABSTRACT

Learning about cause and effect is arguably the main goal in applied econometrics. In practice, the validity of these causal inferences is contingent on a number of critical assumptions regarding the type of data that has been collected and the substantive knowledge that is available. For instance, unobserved confounding factors threaten the internal validity of estimates, data availability is often limited to non-random, selection-biased samples, causal effects need to be learned from surrogate experiments with imperfect compliance, and causal knowledge has to be extrapolated across structurally heterogeneous populations. A powerful causal inference framework is required to tackle these challenges, which plague most data analysis to varying degrees. Building on the structural approach to causality introduced by Haavelmo (1943) and the graph-theoretic framework proposed by Pearl (1995), the artificial intelligence (AI) literature has developed a wide array of techniques for causal learning that allow to leverage information from various imperfect, heterogeneous, and biased data sources (Bareinboim and Pearl, 2016). In this paper, we discuss recent advances in this literature that have the potential to contribute to econometric methodology along three dimensions. First, they provide a unified and comprehensive framework for causal inference, in which the aforementioned problems can be addressed in full generality. Second, due to their origin in AI, they come together with sound, efficient, and complete algorithmic criteria for automatization of the corresponding identification task. And third, because of the nonparametric description of structural models that graph-theoretic approaches build on, they combine the strengths of both structural econometrics as well as the potential outcomes framework, and thus offer an effective middle ground between these two literature streams.

研究の動機と目的

• 未観測共変量、選択バイアス、母集団の異質性といった、計量経済学的因果推論において長年の課題となっている問題に取り組むこと。
• 因果図に基づく非パrametricでグラフに依存するアプローチによって、構造的計量経済学と潜在的アウトカム枠組みを統合すること。
• 人工知能分野のアルゴリズム的基準を活用することで、因果推論における同定タスクの自動化を実現すること。
• 因果効果の輸送可能性と外挿を形式化することで、複数の研究や母集団にわたるデータフェージョンを促進すること。
• 不完全で非ランダム、構造的に異質なデータを系統的に組み合わせて因果効果を推定するための体系的手法を提供すること。

提案手法

• 構造的因果モデルを表現するために有向非巡回グラフ（DAGs）を用い、条件付き独立性および因果関係を非パラメトリックに記述する。
• do計算（3つの推論規則の集合）を適用し、因果的問い（例：P(Y|do(X)))を観測可能なデータ分布を用いて推定可能な式に記号的に変換する。
• do作用素を用いて、構造的方程式を定数に置き換えることで干渉の形式的定式化を行い、反事後的推論を可能にする。
• 共通の構造的メカニズムを同定することで、異なる母集団間での因果効果の外挿を可能にする輸送可能性理論を導入する。
• 観察データ、実験データ、選択バイアスがかかるデータソースを統合し、単一の推定可能な式にまとめるデータフェージョン技術を活用する。
• 完全性および効率性を保証するアルゴリズム的基準を用いることで、パラメトリックな仮定を必要とせずに同定プロセスの自動化を実現する。

実験結果

リサーチクエスチョン

• RQ1 データに選択バイアスや未観測共変量が存在する場合、因果効果はどのようにして同定され、推定可能になるか？
• RQ2 非パラメトリックなグラフィカルモデルを用いて、構造的計量経済学と潜在的アウトカムアプローチを統合する統一的フレームワークを構築可能か？
• RQ3 構造的メカニズムの完全な知識がなくても、do計算のようなアルゴリズム的規則を用いることで、因果推論をどの程度自動化できるか？
• RQ4 母集団が構造的に異なる場合、ある母集団からの因果的知見を他母集団に有効に輸送することは可能か？
• RQ5 異なるデータソースにわたる因果推定の強固さと一般化可能性を高めるために、データフェージョンは果たすどのような役割を果たすか？

主な発見

• do計算は、因果的問いを推定可能な式に変換する完全かつ整合的なルールの集合を提供し、因果効果の自動同定を可能にする。
• グラフィカルモデルにより、因果関係を非パラメトリックに表現可能であり、柔軟性を保ちつつ分析的厳密性を確保できる。
• 輸送可能性理論により、共通のメカニズムを同定することで、構造的に異質な母集団間での因果効果の有効な外挿が可能になる。
• データフェージョン技術により、観察データ、実験データ、選択バイアスがかかるデータを統合し、単一のソースからは同定不可能な因果効果を推定できる。
• 人工知能ベースの因果推論ツールと計量経済学的手法の統合により、完全に自動化され、信頼性が高く一般化可能な因果推定への道筋が開かれる。
• このフレームワークは、パラメトリックな関数形の仮定を必要とせずに、自然に処理効果の異質性を扱える。