[論文レビュー] Cost-Aware Optimized Front-Door Experimental Design

Leopold Mareis, Mathias Drton|arXiv (Cornell University)|Mar 23, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この論文は、未観測の混乱因子を含む多変量線形フロントドアモデルに対する効率的な影響関数を導出し、予算の下で漸近的分散を最小化する費用認識型最適サンプリング設計を提示します。ナイーブな全サンプリングに比べて効率を5.3%〜31.9%改善します。

ABSTRACT

Causal effect estimation often succeeds cost-constrained sequential data collection. This work considers multivariate linear front-door models with arbitrary unobserved confounding on treatment and response. We optimize the experimental design by balancing the statistical efficiency and measurement costs through partial data. The full-data efficient influence function for the causal effect is derived, together with the geometry of all observed-data influence functions. This characterization yields a closed-form optimal sampling policy and an estimator to minimize the asymptotic variance of regular asymptotically linear (RAL) estimators within a class of augmented full-data influence functions. The resulting design also covers back-door estimation. In simulations and applications to biological, medical, and industrial datasets, the optimized designs achieve substantial efficiency gains ($5.3\%$ to $31.9\%$) over naive full-sampling strategies.

研究の動機と目的

• 多変量線形フロントドアモデルにおける未観測混乱の下での費用制約付き因果効果推定の動機付け。
• 因果効果の完全データでの効率的影響関数を導出し、観測データの影響関数を特徴づける。
• 固定予算の下で漸近的分散を最小化する閉形式の最適サンプリング方針（傾向）を提案する。
• 費用効率的推論を達成する拡張全データ影響関数フレームワーク内の推定量を提供する。
• シミュレーションと実データセットを通じて実用的な改善とバックドア推定への適用性を示す。

提案手法

• 観測された粗視化/欠損を含む多変量線形フロントドアモデルを、傾向関数 pi_1 および pi_2 によって規定される。
• 因果効果 xi の効率的な全データ影響関数を計算し、それを beta_Mt および beta_rM を対象とする二つの成分に分解する。
• 観測データの影響関数の幾何を特徴づけ、pi の閉形式の最適拡張影響関数を導出する（定理4.6）。
• 予算 b_0 の下で漸近的分散を最小化する最適サンプリング方針 pi* を得る費用制約付き最適化を導出する（定理4.6, 系列論4.7）。
• サンプリング設計の下で beta_Mt および beta_rM の推定方程式を解くことにより構築された最適化観測データ推定量 hat xi_n を提供する。
• 最適化設計は全データ収集と比較してシミュレーションおよび実データセットで5.3%〜31.9%の効率向上をもたらすことを実証する。

実験結果

リサーチクエスチョン

• RQ1 前提となる前提条件下で、測定予算が限られている場合にフロントドア設定で因果効果推定の漸近的分散をどのように最小化できるか。
• RQ2 多段観測プロセスの下で情報獲得と測定コストのバランスを取る最適サンプリング方針の形は何か。
• RQ3 費用制約の下で、観測データ影響関数の拡張はどのように振る舞い、費用効率的推定量の構築にどう寄与するか。
• RQ4 同じ費用認識型フロントドア設計枠組みでバックドア推定を効率的に取り扱えるか。
• RQ5 部分測定設計は現実世界の生物学、医療、産業データセットにおいて実質的な効率向上を提供するか。

主な発見

• 因果効果 xi の効率的全データ影響関数を導出し、それを beta_Mt と beta_rM を対象とする二つの直交成分に分解する。
• 閉形式の最適観測データ影響関数拡張を特定し、固定予算の下で漸近的分散を最小化する最適サンプリング方針 pi* を得る。
• 最適方針は中間推定量の精度と測定コストのバランスを取り、いつ X_M および X_r をサンプルするかの指針を提供する。
• 最適化された推定量 hat xi_n は beta_Mt および beta_rM の拡張推定量を用い、全データ収集と比較して予算下でより低い漸近的分散を達成する。
• 系記事は最適化設計がバックドア推定にも同様の構造で適用可能であることを示す。
• 生物学、医療、産業のシミュレーションとデータセットの実証結果は、naiveな全サンプリング設計より5.3%〜31.9%の効率向上を示す。