[論文レビュー] Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding

Nathan Kallus, Xiaojie Mao+1 more|arXiv (Cornell University)|Oct 5, 2018

Advanced Causal Inference Techniques被引用数 33

ひとこと要約

本稿は、観測されない交絡要因の下で条件付き平均処置効果（CATE）の鋭い関数的区間推定量を提案する。アドバーシャルに重み付けされたカーネル回帰をマージナル感度モデル内で用い、個々の因果効果に対する漸近的にきつい境界を提供する。この手法により、無条件付けが成立しない場合でも、個々の因果効果に対する漸近的にきつい境界が得られ、最小最大最適なパーソナライズド意思決定ルールの実現が可能になる。

ABSTRACT

We study the problem of learning conditional average treatment effects (CATE) from observational data with unobserved confounders. The CATE function maps baseline covariates to individual causal effect predictions and is key for personalized assessments. Recent work has focused on how to learn CATE under unconfoundedness, i.e., when there are no unobserved confounders. Since CATE may not be identified when unconfoundedness is violated, we develop a functional interval estimator that predicts bounds on the individual causal effects under realistic violations of unconfoundedness. Our estimator takes the form of a weighted kernel estimator with weights that vary adversarially. We prove that our estimator is sharp in that it converges exactly to the tightest bounds possible on CATE when there may be unobserved confounders. Further, we study personalized decision rules derived from our estimator and prove that they achieve optimal minimax regret asymptotically. We assess our approach in a simulation study as well as demonstrate its application in the case of hormone replacement therapy by comparing conclusions from a real observational study and clinical trial.

研究の動機と目的

• 観測されない交絡要因のため無条件付けが成立しない状況下で、個別レベルの因果効果を推定する課題に対処すること。
• 現実的な感度モデル下で、CATEに対して鋭く、漸近的にきつい境界を提供する関数的区間推定量を開発すること。
• 推定された境界から最小最大最適なポリシーを導出し、不確実性下でのパーソナライズド意思決定を可能にすること。
• シミュレーションとホルモン補充療法への実世界応用を通じて、手法の実証的妥当性を検証すること。

提案手法

• 各単位ごとに変化するアドバーシャル重みを用いた重み付きカーネル回帰推定量を用い、潜在的な観測されない交絡要因の影響を反映する。
• マージナル感度モデル（MSM）を用いて、観測されない交絡要因が処置割り当てに与えるオッズ比の上限を設定する。
• 潜在的アウトカムと共変量の連合分布に関する制約付き最適化問題を解くことで、集団レベルのCATE境界を導出する。
• ソーティングとラインサーチ手順を用いて推定量を効率的に計算し、実装可能性を高める。
• 観察された共変量の部分集合に条件づけることで、部分的CATE推定へのフレームワークの拡張を行う。
• CATE区間の上限と下限に基づいてパーソナライズド意思決定ルールを導出し、感度モデル下で漸近的に最小最大レジット最適性を達成する。

実験結果

リサーチクエスチョン

• RQ1 無条件付けが成立しない状況下で、個別レベルの因果効果に対して鋭く、非保守的な境界を構築できるか？
• RQ2 観測されない交絡要因をCATE推定に組み込みつつ、統計的効率性と解釈可能性を維持できるか？
• RQ3 これらの境界から導かれるパーソナライズド処置ルールは、有限標本において最小最大レジットを最適化できるか？
• RQ4 実世界の観察データに隠れた交絡が存在する状況で、提案手法の境界はナーブなCATE推定と比べてどのように異なるか？

主な発見

• 提案された区間推定量は、仮定された感度モデル下で、CATE関数に対する最もきつい境界に点単位で収束し、鋭さが保証される。
• ソーティングとラインサーチアルゴリズムを用いることで、効率的な計算が可能となり、中程度の標本サイズに対してもスケーラブルである。
• 境界から導かれたパーソナライズド意思決定ルールは、感度モデル下で漸近的に最小最大レジット最適性を達成する。
• ホルモン補充療法に関するシミュレーションと実データ解析において、この手法はナーブな交絡推定と比較して、利益が得られる領域をはるかに小さく特定できており、臨床試験の結果と整合的である。
• 真のプロパティススコアがデータから学習された場合でも、共変量にわたる交絡が一様でない場合でも、境界は頑健性を保つ。