[論文レビュー] Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models

Andrea Rotnitzky, Ezequiel Smucler|arXiv (Cornell University)|Dec 1, 2019

Advanced Causal Inference Techniques参考文献 35被引用数 11

ひとこと要約

この論文は、非パラメトリック因果グラフィカルモデルにおける最適共変量調整のグラフィカル基準を拡張し、線形モデルで同定された分散最小化調整集合が、母平均処置効果の非パラメトリック推定器にも適用可能であることを示している。非パラメトリック推定器が半パラメトリックに有効な推定器と同等の有効性を達成する条件を確立するとともに、最も効率の良い最小調整集合を選択するための新しい基準を導入している。

ABSTRACT

The method of covariate adjustment is often used for estimation of population average treatment effects in observational studies. Graphical rules for determining all valid covariate adjustment sets from an assumed causal graphical model are well known. Restricting attention to causal linear models, a recent article derived two novel graphical criteria: one to compare the asymptotic variance of linear regression treatment effect estimators that control for certain distinct adjustment sets and another to identify the optimal adjustment set that yields the least squares treatment effect estimator with the smallest asymptotic variance among consistent adjusted least squares estimators. In this paper we show that the same graphical criteria can be used in non-parametric causal graphical models when treatment effects are estimated by contrasts involving non-parametrically adjusted estimators of the interventional means. We also provide a graphical criterion for determining the optimal adjustment set among the minimal adjustment sets, which is valid for both linear and non-parametric estimators. We provide a new graphical criterion for comparing time dependent adjustment sets, that is, sets comprised by covariates that adjust for future treatments and that are themselves affected by earlier treatments. We show by example that uniformly optimal time dependent adjustment sets do not always exist. In addition, for point interventions, we provide a sound and complete graphical criterion for determining when a non-parametric optimally adjusted estimator of an interventional mean, or of a contrast of interventional means, is as efficient as an efficient estimator of the same parameter that exploits the information in the conditional independencies encoded in the non-parametric causal graphical model.

研究の動機と目的

• 線形モデルから非パラメトリック因果グラフィカルモデルへの最適共変量調整のグラフィカル基準を拡張すること。
• 非パラメトリックな介入平均推定における漸近的分散を最小化する最小調整集合を同定すること。
• 逐次的処置設定における時間的依存調整集合を比較するためのグラフィカル基準を開発すること。
• 非パラメトリックに調整された推定器が半パラメトリックに有効な推定器と同等の有効性を達成する条件を特定すること。
• 非パラメトリック因果モデルにおける同定式と有効性の関係を明確にすること。

提案手法

• Henckel ら (2019) が提示した線形モデルにおける分散最小化のためのグラフィカル基準を、非パラメトリック設定に適応する。
• 同じ基準を、逆確率重み付け、二重ロバスト、二重マシンラーニングなどの非パラメトリック推定器に適用する。
• 最小有効調整集合の中から最適な調整集合を選択するための新しいグラフィカル基準を導入する。
• 有効性を保ちつつ分散を最小化するように、段階的に調整集合を縮小するためのプルーニング手順を提案する。
• do計算と条件付き期待値階層を用いて、異なる調整集合における推定器の有効性を導出する。
• 同定式の構造と非パラメトリック推定器のグローバル有効性との間の関係を確立する。

実験結果

リサーチクエスチョン

• RQ1 線形モデルにおける最適調整のグラフィカル基準を非パラメトリック因果グラフィカルモデルへ拡張可能か？
• RQ2 非パラメトリックな介入平均推定における漸近的分散を最小化する最適な最小調整集合は何か？
• RQ3 以前の処置に影響を受ける変数を含む時間的依存調整集合は、どのように有効性を比較できるか？
• RQ4 非パラメトリックに調整された推定器が半パラメトリックに有効な推定器と同等の有効性を達成する条件は何か？
• RQ5 単純な同定式が存在する場合、非パラメトリック調整においてグローバル有効性が排除されるのはいつか？

主な発見

• 線形モデルにおける分散最小化調整集合のグラフィカル基準は、非パラメトリック推定器の介入平均推定に対しても同様に適用可能である。
• 最小有効調整集合の中から最適な調整集合を同定する新しいグラフィカル基準が提案され、線形および非パラメトリック推定器の両方で有効である。
• 時間的依存調整集合には、反例によって示されるように、常に一様に最適な集合が存在するとは限らない。
• 点処置の設定では、非パラメトリックに調整された推定器が半パラメトリックに有効な推定器と同等の有効性を達成するかどうかを決定する、完全かつ健全なグラフィカル基準が存在する。
• 介入平均の同定式が処置、結果、および中間変数にのみ依存する場合、非パラメトリックに調整された推定器はグローバルに有効ではない。
• アルゴリズムは、有効な影響関数の簡略化を検出でき、モデルの簡略化を通じて有効性の向上が可能になる。