[論文レビュー] Causal Rule Ensemble: Interpretable Inference of Heterogeneous Treatment Effects

Kwonsang Lee, Falco J. Bargagli-Stoffi+1 more|arXiv (Cornell University)|Sep 18, 2020

Advanced Causal Inference Techniques参考文献 43被引用数 14

ひとこと要約

本稿では、条件付き平均処置効果（CATE）の推定において高い精度と低いバイアスを確保しながら、根本的な機械学習アルゴリズムに依存しない形で、異質な処置効果を示す解釈可能なサブグループを意思決定ルールを通じて発見するCausal Rule Ensemble（CRE）を提案する。CREは、新たなサブグループの発見を可能にし、従来のブラックボックス型因果機械学習手法と比較して解釈性が向上する。

ABSTRACT

In social and health sciences, it is critically important to identify subgroups of the study population where a treatment has a notably larger or smaller causal effect compared to the population average. In recent years, there have been many methodological developments for addressing heterogeneity of causal effects. A common approach is to estimate the conditional average treatment effect (CATE) given a pre-specified set of covariates. However, this approach does not allow to discover new subgroups. Recent causal machine learning (ML) approaches estimate the CATE at an individual level in presence of large number of observations and covariates with great accuracy. Nevertheless, the bulk of these ML approaches do not provide an interpretable characterization of the heterogeneous subgroups. In this paper, we propose a new Causal Rule Ensemble (CRE) method that: 1) discovers de novo subgroups with significantly heterogeneous treatment effects (causal rules); 2) ensures interpretability of these subgroups because they are defined in terms of decision rules; and 3) estimates the CATE for each of these newly discovered subgroups with small bias and high statistical precision. We provide theoretical results that guarantee consistency of the estimated causal effects for the newly discovered causal rules. A nice feature of CRE is that it is agnostic to the choices of the ML algorithms that can be used to discover the causal rules, and the estimation methods for the causal effects within the discovered causal rules. Via simulations, we show that the CRE method has competitive performance as compared to existing approaches while providing enhanced interpretability. We also introduce a new sensitivity analysis to unmeasured confounding bias. We apply the CRE method to discover subgroups that are more vulnerable to the causal effects of long-term exposure to air pollution on mortality.

研究の動機と目的

• 既存手法が事前に指定された共変量に依存しているという限界を克服し、事前定義のない共変量に依存せずに、新たな異質な処置効果を示すサブグループを発見すること。
• ブラックボックス型モデルではなく意思決定ルールを用いることで、発見されたサブグループの解釈性を向上させること。
• 新たに発見されたサブグループにおける条件付き平均処置効果（CATE）を、小さなバイアスと高い統計的精度で推定すること。
• 発見された因果ルール内での推定因果効果の一貫性に関する理論的保証を提供すること。
• サブグループ因果推論における測定されていない交絡要因バイアスに対する新しい感度分析を導入すること。

提案手法

• CREは二段階のフレームワークを採用する：まず、任意の選択された機械学習アルゴリズムを用いて、異質な処置効果に関連する共変量の組み合わせを特定する因果ルール（サブグループ）を発見する。
• 第二に、各発見されたルール内でのCATEを、柔軟でモデルに依存しない推定手法を用いて推定し、低いバイアスと高い精度を確保する。
• この手法は、因果ルールの発見に用いる機械学習アルゴリズムやCATE推定に用いる手法の選択に対して、アーギル（アーギル）であるため、さまざまな最先端モデルと統合可能である。
• 因果ルールは、共変量の条件の論理的組み合わせ（例：年齢 > 65 かつ 吸煙状態 = 継続中）として定義され、解釈性を確保する。
• 発見されたルール内での推定因果効果の理論的一貫性は、データ生成プロセスの正規性条件のもとで確立される。
• 測定されていない交絡要因に対する新しい感度分析が導入され、結果の頑健性の評価が可能になる。

実験結果

リサーチクエスチョン

• RQ1 事前に指定された共変量に依存せずに、新たなデ・ノボのサブグループを、著しく異なった処置効果を示すものとして発見できるか？
• RQ2 ルールベースの表現を用いることで、サブグループレベルの因果効果の解釈性をどのように向上させられるか？
• RQ3 提案手法が、発見されたサブグループにおけるCATE推定において、既存手法と比較してどのような統計的性能を示すか？
• RQ4 結果は測定されていない交絡要因に対してどれほど頑健であり、定量的に評価可能か？
• RQ5 長期間にわたる大気汚染暴露の影響が死亡率に与える因果的効果を評価するような、実世界の問題に効果的に適用可能か？

主な発見

• CRE手法は、既存手法と同等の性能を示しながらも、ルールベースのサブグループ定義により解釈性が向上した、異質なサブグループにおけるCATE推定に優れた性能を発揮した。
• 発見された因果ルール内での推定因果効果の理論的一貫性が確立され、標準的な正規性条件のもとで信頼できる推論が保証された。
• ルールベースの発見によって特定されたサブグループにおける処置効果の推定において、高い統計的精度と低いバイアスが達成された。
• 測定されていない交絡要因に対する新しい感度分析が成功裏に導入・適用され、因果的推論に対する信頼性が向上した。
• 実世界の応用において、CREは長期的な大気汚染暴露が死亡率に与える因果的影響に対して特に感受性が高いサブグループを効果的に同定した。
• ルール発見およびCATE推定に用いる基礎となる機械学習アルゴリズムの選択に対して、柔軟かつアーギルなままであり、広範な適用可能性を有する。