[論文レビュー] Incremental causal effects

Dominik Rothenhaüsler, Bin Yu|arXiv (Cornell University)|Jul 30, 2019

Advanced Causal Inference Techniques参考文献 34被引用数 5

ひとこと要約

本稿では、連続的処置に対する平均処置効果の代替として、ターゲット化された因果効果である増分的因果効果を導入し、局所的無関係性と重なりの仮定の下で同定可能であることを示している。増分的効果は平均微分を介して推定可能であり、交絡要因に対してより頑健で、有限標本において平均処置効果よりも低い漸近的分散を達成する。高次元設定における二重に頑健な推定器が提案されている。

ABSTRACT

Causal evidence is needed to act and it is often enough for the evidence to point towards a direction of the effect of an action. For example, policymakers might be interested in estimating the effect of slightly increasing taxes on private spending across the whole population. We study identifiability and estimation of causal effects, where a continuous treatment is slightly shifted across the whole population (termed average partial effect or incremental causal effect). We show that incremental effects are identified under local ignorability and local overlap assumptions, where exchangeability and positivity only hold in a neighborhood of units. Average treatment effects are not identified under these assumptions. In this case, and under a smoothness condition, the incremental effect can be estimated via the average derivative. Moreover, we prove that in certain finite-sample observational settings, estimating the incremental effect is easier than estimating the average treatment effect in terms of asymptotic variance. For high-dimensional settings, we develop a simple feature transformation that allows for doubly-robust estimation and inference of incremental causal effects. Finally, we compare the behaviour of estimators of the incremental treatment effect and average treatment effect in experiments including data-inspired simulations.

研究の動機と目的

• 小規模で連続的な処置の変化に関する政策的関心のある質問に答えるために、平均処置効果の限界を克服すること。
• 観察研究における増分的因果効果のためのより弱い同定化仮定——局所的無関係性と局所的重なり——を定式化すること。
• 平均処置効果とは異なり、これらのより弱い仮定の下で増分的効果が同定可能でかつ推定可能であることを示すこと。
• 有限標本における観察的設定において、増分的効果推定の漸近的分散が平均処置効果推定よりも小さいことを示すこと。
• 特徴量変換と半パラメトリック効率理論を用いて、高次元の増分的因果効果のための二重に頑健な推定器を開発すること。

提案手法

• 増分的因果効果を、処置が無限小の量だけシフトしたときの期待結果の差の極限として定義する：$\mathbb{E}[Y(T+\delta)] - \mathbb{E}[Y(T)]$（$\delta > 0$ が小さいとき）。
• 局所的無関係性を導入する：各ユニットの観測処置値の近傍において、潜在的結果が処置と条件付き独立である。
• 局所的重なりを定義する：各ユニットの近傍において、共変量の下での処置の密度がゼロから離れている。
• 局所的無関係性と局所的重なりの下で、増分的効果の同定可能性を確立し、条件付き平均関数 $\mathbb{E}[Y|X,T]$ の平均微分を用いる。
• 特徴量を $\partial_t \mathbb{E}[Y|X,T]$ を含むように変換し、逆確率重み付けと結果回帰を用いて、二重に頑健な推定器を提案する。
• 増分的効果推定のための半パラメトリック効率限界を導出し、スコア関数のモデルが正しく指定されている場合に分散が最小化されることを示す。

実験結果

リサーチクエスチョン

• RQ1 平均処置効果に要請される仮定よりも弱い仮定の下で、増分的因果効果は同定可能か？
• RQ2 有限標本における観察的設定において、増分的効果推定器の漸近的分散は、平均処置効果推定器のそれと比べてどうなるか？
• RQ3 交絡要因の影響は増分的効果推定に及ぼされ、小規模な交絡に対してどの程度頑健か？
• RQ4 特徴量変換を用いて、高次元の増分的因果効果のための二重に頑健な推定器を構築可能か？
• RQ5 提案されたモデル仮定の下で、増分的因果効果推定の半パラメトリック効率限界は何か？

主な発見

• 局所的無関係性と局所的重なりの下で、増分的因果効果は同定可能であるが、平均処置効果は同定不可能である。
• 滑らかさと局所的正規性の下で、増分的効果は条件付き平均関数の平均微分を介して一貫して推定可能である。
• 有限標本における観察的設定において、増分的効果推定の漸近的分散は、平均処置効果推定よりも小さい。
• 本稿では、増分的効果推定が、人口のわずかな部分が交絡している場合でも安定することを示す、前処理感受性の限界を導出している。
• 特徴量変換により、問題をスコア関数が既知の線形モデルに変換し、高次元の増分的因果効果のための二重に頑健な推定器を構築した。
• 増分的因果効果推定の半パラメトリック効率限界は $\text{Var}(\partial_t f^0) + \text{Var}(\epsilon \cdot \partial_t \log p(T|X))$ として導出され、最適推定器はこの限界に達する。