[論文レビュー] General Control Functions for Causal Effect Estimation from Instrumental Variables

Aahlad Puli, Rajesh Ranganath|arXiv (Cornell University)|Jul 8, 2019

Advanced Causal Inference Techniques参考文献 5被引用数 6

ひとこと要約

本稿では、変分分解（VDE）を用いて一般制御関数を構築することで、道具変数（IV）を用いた因果効果推定のための新規手法 General Control Function Method（GCFN）を提案する。GCFNは、構造的処理プロセスの仮定または半教師付き共変量の監視を介して無視可能性と正の可能性を保証することで、2SLS や CFN よりも弱い仮定の下でも同定性を確保する。シミュレーションおよび奴隷輸出データからの現代のコミュニティ信頼度推定において、既存手法を上回る性能を示した。

ABSTRACT

Causal effect estimation relies on separating the variation in the outcome into parts due to the treatment and due to the confounders. To achieve this separation, practitioners often use external sources of randomness that only influence the treatment called instrumental variables (IVs). We study variables constructed from treatment and IV that help estimate effects, called control functions. We characterize general control functions for effect estimation in a meta-identification result. Then, we show that structural assumptions on the treatment process allow the construction of general control functions, thereby guaranteeing identification. To construct general control functions and estimate effects, we develop the general control function method (GCFN). GCFN's first stage called variational decoupling (VDE) constructs general control functions by recovering the residual variation in the treatment given the IV. Using VDE's control function, GCFN's second stage estimates effects via regression. Further, we develop semi-supervised GCFN to construct general control functions using subsets of data that have both IV and confounders observed as supervision; this needs no structural treatment process assumptions. We evaluate GCFN on low and high dimensional simulated data and on recovering the causal effect of slave export on modern community trust.

研究の動機と目的

• 2SLS や CFN などの既存の IV に基づく因果推定器に内在する限界、特に乗法的相互作用や誤ったノイズ仮定の下での失敗を解消すること。
• 結果プロセスに関する構造的仮定を必要とせず、無視可能性と正の可能性を保証する一般制御関数フレームワークの構築。
• 部分的な共変量観測を活用する半教師付きバージョンの GCFN の提案により、構造的処理仮定なしに共変量と制御関数の同時独立性を達成すること。
• 低次元および高次元のシミュレーションデータおよび実世界の因果効果回復、例えば現代のコミュニティ信頼度に対する奴隷輸出の影響の推定において、GCFN の頑健性と正確性を示すこと。

提案手法

• メタ同定結果を提案：制御関数が一般であるための条件は、(1) その制御関数と IV が処理変数を再構築できること、および (2) 共変量と制御関数が IV と同時に独立であること。
• GCFN の第一段階として、変分分解（VDE）を導入。これは、処理変数を再構築しつつ、IV に対して独立な制御関数を学習するニューラルネットワークオートエンコーダである。
• 第二段階として、VDE で学習した制御関数を用い、マッチングや二重ロバスト推定などの無視可能性に基づく任意の手法で因果効果を推定する。
• 共変量の一部に観測値があるデータサブセットにおいて、制御関数と観測共変量を一致させる拡張型 VDE を用いた半教師付き GCFN を導入。これにより、構造的仮定なしに同時独立性を達成可能となる。
• VDE において敵対的訓練と独立性制約を用い、制御関数と IV 間の統計的独立性を強制する。
• 両方の VDE および結果モデルに対して、標準的な最適化（Adam、学習率スケジューリング）と検証 MSE を用いたモデル選択を実施。

実験結果

リサーチクエスチョン

• RQ1 結果プロセスに関する強い仮定を必要とせず、無視可能性と正の可能性を保証する一般制御関数を構築可能か？
• RQ2 変分分解（VDE）を用いて、観測されない共変量と同時に独立である制御関数を学習する方法は何か？
• RQ3 非線形相互作用や誤った結果モデルの下で、GCFN は 2SLS、CFN、DeepIV を上回る性能を示すか？
• RQ4 共変量の一部のみが観測可能な状況下で、半教師付き GCFN は正確な因果推定を達成可能か？
• RQ5 GCFN は高次元設定および実世界の因果推論タスク（例えば、奴隷輸出が現代のコミュニティ信頼度に与える影響の推定）において、頑健かつ有効か？

主な発見

• 非線形結果プロセスが CFN の仮定を破る低次元シミュレーションでは、GCFN は RMSE 0.3 ± 0.1 を達成した一方、CFN は正しいモデル仕様でも RMSE 1.5 ± 0.1 と失敗した。
• 高次元 IV 実験では、GCFN は DeepGMM や DeepIV と同等の性能を示し、複数回の実行およびハイパーパramータ設定において、同等の効果 MSE を達成した。
• 高次元共変量シミュレーションでは、GCFN は DeepGMM や DeepIV と同等またはそれを上回り、正則化パラメータ κ の増加に伴い効果 MSE が減少した。
• 半教師付き GCFN は、観測共変量があるサブセットにおける結果回帰法を著しく上回り、限られた監視情報のもとでも制御関数学習の価値を示した。
• GCFN は、奴隷輸出が現代のコミュニティ信頼度に与える因果効果を正常に回復し、実世界への適用可能性を検証した。
• 理論的分析により、強い IV と構造的仮定（例：加法的処理）の下で、VDE が再構築と同時独立性を保証し、同定性を保証することが確認された。