[論文レビュー] Conformal Inference of Counterfactuals and Individual Treatment Effects

Lihua Lei, Emmanuel J. Candès|arXiv (Cornell University)|Jun 11, 2020

Advanced Causal Inference Techniques参考文献 80被引用数 31

ひとこと要約

本論文は、潜在結果フレームワークの下で反事実と個別治療効果の有効な予測区間を生成するための適合推論（コンフォーマル推定）フレームワークを導入し、無作為割付試験における有限サンプルのカバレージ保証と観察研究における二重ロバスト特性を提供します。

ABSTRACT

Evaluating treatment effect heterogeneity widely informs treatment decision making. At the moment, much emphasis is placed on the estimation of the conditional average treatment effect via flexible machine learning algorithms. While these methods enjoy some theoretical appeal in terms of consistency and convergence rates, they generally perform poorly in terms of uncertainty quantification. This is troubling since assessing risk is crucial for reliable decision-making in sensitive and uncertain environments. In this work, we propose a conformal inference-based approach that can produce reliable interval estimates for counterfactuals and individual treatment effects under the potential outcome framework. For completely randomized or stratified randomized experiments with perfect compliance, the intervals have guaranteed average coverage in finite samples regardless of the unknown data generating mechanism. For randomized experiments with ignorable compliance and general observational studies obeying the strong ignorability assumption, the intervals satisfy a doubly robust property which states the following: the average coverage is approximately controlled if either the propensity score or the conditional quantiles of potential outcomes can be estimated accurately. Numerical studies on both synthetic and real datasets empirically demonstrate that existing methods suffer from a significant coverage deficit even in simple models. In contrast, our methods achieve the desired coverage with reasonably short intervals.

研究の動機と目的

• ATE/CATEを超えるITEにおける不確実性の定量化の必要性を動機づける。
• 潜在結果フレームワークの下でY(1)、Y(0)、およびY(1)-Y(0)の区間推定を構築するための適合推論アプローチを開発する。
• 無作為化実験における有限サンプルのカバレージ保証と、観察設定における二重ロバストなカバレージを提供する。
• 重み付き適合推定を用いた共変量シフト下の反事実推定に対処し、一般化/移植性の拡張を探る。
• 従来法よりもカバレージを改善しつつ、妥当に短い区間を保つ実証的性能を示す。

提案手法

• 潜在結果の下でY(1)、Y(0)、およびITEに対して、限界カバレージを保証する予測区間を構築するために適合推論を採用する。
• トレーニング分布とターゲット分布間の共変量シフトを扱うために重み付き分割適合推定を用いる。
• 重みを傾向点数に関連づけ、ATE/ATT/ATCおよび一般化可能性への影響を論じる。
• 既知のまたは層化傾向スコアを用いた無作為化試験に対する有限サンプルのカバレージ保証と、いずれかの結果モデルまたは治療モデルが正確な場合の二重ロバストカバレージを証明する。
• セクション5で議論される因果ダイアグラムや不変予測を含む一般的な因果推論設定への枠組みの拡張。

実験結果

リサーチクエスチョン

• RQ1 無作為化と強い無視可能性の下で反事実アウトカムとITEに対して有効なFINITEサンプルの予測区間を構築できるか？
• RQ2 重み付き適合推定は共変量シフトと観察研究にどのように適応するか、二重ロバストなカバレージを達成できるか？
• RQ3 Y(1)、Y(0)、およびY(1)-Y(0)の妥当な区間推定を達成する上で、傾向スコアとオーバーラップの役割は何か？
• RQ4 適合推論を一般化/移植性 settingsおよび他の因果フレームワークへどのように拡張できるか？
• RQ5 提案された区間は、従来の不確実性定量化手法と比較してカバレージと区間幅の実用的な改善をもたらすか？],"key_findings":["重み付き分割適合推定は、無作為化試験と観察研究の下でY(1)、Y(0)、およびITEに対して有限サンプルのカバレージ保証をもたらし、二重ロバスト性を持つ：傾向スコアまたは条件付き分位点のいずれかが正確であれば、概ね有効なカバレージを満たす。","完全無作為化または完璧な適合を伴う層別無作為化実験では、強いモデル仮定なしに有限サンプルでカバレージを達成する。","観察研究または適合不全のある無作為化試験では、傾向スコアが正確に推定されるか、条件付き分位点が正確に推定されるかのいずれかで方法は有効であり続ける。","このアプローチは一般化/移植性設定へ自然に拡張され、因果ダイアグラムや不変予測など他の因果フレームワークにも適用できる。","実証研究（合成データおよび実データ）では、既存手法はしばしばカバレージ不足を示す一方、提案された適合区間は望ましいカバレージを、比較的短い幅で達成する。