[論文レビュー] Combining Experimental and Observational Data for Identification and Estimation of Long-Term Causal Effects

AmirEmad Ghassami, Liu, Chang+4 more|arXiv (Cornell University)|Jan 26, 2022

Advanced Causal Inference Techniques被引用数 7

ひとこと要約

本稿では、短期的な実験データと長期的な観察データを組み合わせることで、未測定の交絡要因による偏りを受ける観察データにおいて、長期的因果効果を同定および推定するための3つの新しいデータ統合手法を提案する。これらの手法は、等価交絡バイアス、特化型インスツルメンタル変数、またはプロキシ因果推論に依存しており、それぞれが影響関数に基づく推定量を用いて、二重ロバスト性を有する同定と推定を可能にする。

ABSTRACT

We study identifying and estimating the causal effect of a treatment variable on a long-term outcome using data from an observational and an experimental domain. The observational data are subject to unobserved confounding. Furthermore, subjects in the experiment are only followed for a short period; thus, long-term effects are unobserved, though short-term effects are available. Consequently, neither data source alone suffices for causal inference on the long-term outcome, necessitating a principled fusion of the two. We propose three approaches for data fusion for the purpose of identifying and estimating the causal effect. The first assumes equal confounding bias for short-term and long-term outcomes. The second weakens this assumption by leveraging an observed confounder for which the short-term and long-term potential outcomes share the same partial additive association with this confounder. The third approach employs proxy variables of the latent confounder of the treatment-outcome relationship, extending the proximal causal inference framework to the data fusion setting. For each approach, we develop influence function-based estimators and analyze their robustness properties. We illustrate our methods by estimating the effect of class size on 8th-grade SAT scores using data from the Project STAR experiment combined with observational data from the Early Childhood Longitudinal Study.

研究の動機と目的

• 実験データが短期的アウトカムのみを捉え、観察データに未測定変数による交絡が存在する状況において、長期的因果効果を推定する課題に対処すること。
• アティ（Athey）ら（2020）が潜在的交絡なしの仮定に依存するのに対し、より柔軟な仮定を提示することで、代替の同定戦略を開発すること。
• 実験的および観察的データを統合することで、平均処置効果（ATE）および処置の対象となった者に対する効果（ETT）の両方を推定できること。
• 結果回帰または感受性スコアモデルのいずれかが正しく指定されていれば一貫性を示す、影響関数に基づく推定量によるロバスト性の確保。

提案手法

• 短期的および長期的アウトカムにおける交絡バイアスの大きさが同一であると仮定する等価交絡バイアス仮定を提示。これは加法的または分位数-分位数形式で定式化可能。
• 等価交絡バイアス仮定の緩和のため、「特化型インスツルメンタル変数」（BSIV）を導入。これは短期的および長期的アウトカムの両方と等しい部分的加法的関連を持つ観測された交絡要因である。
• 潜在的交絡要因のプロキシ変数を導入することで、プロキシ因果推論フレームワークを適用し、より弱い仮定のもとでの同定を可能にする。
• 各フレームワークに対して影響関数に基づく推定量を構築し、結果回帰または感受性スコアモデルのいずれかが正しく指定されていれば二重ロバスト性を確保する。
• 逆確率重み付けと二重ロバスト推定方程式を用いて、両ドメインのデータを統合する推定方程式を導出。これにより、ATEおよびETTをターゲットとする。
• 条件付き独立性およびモーメント条件仮定に基づき、未測定交絡を伴う構造的因果モデルにおける同定を確立する。

実験結果

リサーチクエスチョン

• RQ1 実験データが短期的アウトカムのみを測定し、観察データに交絡が存在する場合、長期的因果効果を同定できるか？
• RQ2 等価交絡バイアス仮定は、データ統合において短期的および長期的アウトカムをどのように結びつけるか？
• RQ3 特化型インスツルメンタル変数（BSIV）は、強い等価交絡バイアス仮定を緩和しつつも、同定を可能にするか？
• RQ4 潜在的交絡要因のプロキシ変数を用いたプロキシ因果推論は、より弱い仮定のもとで同定を可能にするか？
• RQ5 影響関数に基づく推定量の有限標本特性およびロバスト性は、このデータ統合設定においてどのように評価されるか？

主な発見

• 提案された等価交絡バイアス仮定により、短期的および長期的アウトカムにおける交絡バイアスの大きさが同一であると仮定することで、長期的因果効果の同定が可能になる。
• 特化型インスツルメンタル変数（BSIV）アプローチにより、観測された変数が短期的および長期的アウトカムの両方と等しい部分的関連を持つことを利用し、等価交絡仮定の緩和が可能になる。
• プロキシ因果推論フレームワークにより、潜在的交絡要因のプロキシ変数を用いることで、より弱い構造的仮定のもとでの同定が可能になる。
• 影響関数に基づく推定量は二重ロバストであり、結果回帰または感受性スコアモデルのいずれかが正しく指定されていれば一貫性を示す。
• 理論的導出により、正しいモデル指定のもとで提案された推定方程式が不偏であることが確認され、繰り返し期待値の法則を用いて一貫性が確立されている。
• 本稿は、実験的および観察的データを統合することで、いずれのデータソース単独では十分でない場合でも、有効な長期的因果推定が可能であることを示している。