[論文レビュー] Long-term Causal Inference Under Persistent Confounding via Data Combination

Guido W. Imbens, Nathan Kallus+2 more|arXiv (Cornell University)|Feb 15, 2022

Advanced Causal Inference Techniques被引用数 10

ひとこと要約

本稿は、持続的交絡（未観測要因が短期的結果および長期的結果の両方に影響を及える状況）下で、実験的データと観察的データを組み合わせることにより、長期的因果効果の同定および推定戦略を提案する。未観測交絡要因の代理変数として、複数の短期的結果の逐次的構造を活用することで、漸近正規性を保証する二重にロバストな推定量を開発し、片方の正規化モデルが誤指定であっても有効な推論を可能にする。

ABSTRACT

We study the identification and estimation of long-term treatment effects when both experimental and observational data are available. Since the long-term outcome is observed only after a long delay, it is not measured in the experimental data, but only recorded in the observational data. However, both types of data include observations of some short-term outcomes. In this paper, we uniquely tackle the challenge of persistent unmeasured confounders, i.e., some unmeasured confounders that can simultaneously affect the treatment, short-term outcomes and the long-term outcome, noting that they invalidate identification strategies in previous literature. To address this challenge, we exploit the sequential structure of multiple short-term outcomes, and develop three novel identification strategies for the average long-term treatment effect. We further propose three corresponding estimators and prove their asymptotic consistency and asymptotic normality. We finally apply our methods to estimate the effect of a job training program on long-term employment using semi-synthetic data. We numerically show that our proposals outperform existing methods that fail to handle persistent confounders.

研究の動機と目的

• 実験的データが短期的観察に限定され、観察的データが時間的に持続する未測定変数によって交絡される状況において、長期的処置効果を推定する課題に対処すること。
• 未測定交絡要因が短期的および長期的結果の両方に影響を及ぼす持続的交絡の下で、実験的および観察的データの組み合わせを用いて長期的因果効果を同定すること。
• 複数の短期的結果の逐次的構造を、未観測交絡要因の代理変数として活用する同定戦略を開発すること。
• 弱い正則性条件のもとで漸近的一貫性および正規性を満たす推定および推論手法を提供することにより、有効な統計的推論を保証すること。

提案手法

• 複数の短期的結果を3つの異なる集合にグループ化する3つの新しい同定戦略を提案し、そのうち2つのグループを未観測交絡要因の代理変数として使用する。
• 未観測交絡要因および観測済み共変量が与えられたもとで、長期的結果が短期的結果および処置に条件付き独立であるという仮定を用いる。
• 正規化関数（結果回帰および代理変数の傾向スコア）を含む2つの条件付きモーメント方程式を解くことで推定量を構築する。
• 結果回帰モデルと傾向スコアモデルを組み合わせることで二重にロバストな推定を実現し、少なくとも一方のモデルが正しく指定されていれば一貫性が保証される。
• 正則性条件のもとで漸近正規性および一貫性を導出し、有効な信頼区間および仮説検定を可能にする。
• 職業訓練プログラムの準実験的データを用いて、長期的雇用効果を評価する応用例を提示し、持続的交絡下でもロバスト性を示す。

実験結果

リサーチクエスチョン

• RQ1 未観測交絡要因が短期的結果および長期的結果の両方に影響を及ぼす状況下でも、実験的データが短期的観察に限定されている場合に、長期的因果効果を同定できるか？
• RQ2 複数の短期的結果の逐次的構造を、長期的因果推論における未観測交絡要因の代理変数としてどのように活用できるか？
• RQ3 実験的および観察的データを組み合わせる状況下で、持続的交絡下でも漸近的有効性を保証する推定および推論手順は何か？
• RQ4 モデル誤指定が生じる状況下でも、提案手法がどのような条件下で二重ロバスト性を達成するか？
• RQ5 有限標本下において、持続的交絡が存在する設定で、本手法は既存の手法と比較してどのように性能を発揮するか？

主な発見

• 提案された同定戦略は、未観測交絡要因の代理変数として複数の短期的結果を活用することで、持続的交絡下でも平均的な長期的処置効果を正確に回復する。
• 得られた推定量は弱い正則性条件のもとで漸近正規性および一貫性を達成し、二重ロバスト性により、2つの正規化モデルのうち片方が誤指定であっても有効性が保証される。
• 未観測交絡要因が存在しないという仮定や、観察的データにおける検証不能な無交絡性条件に依存する先行手法よりも、本手法は優れた性能を示す。
• 準実験的職業訓練データを用いた実証的評価により、持続的未観測交絡要因が存在する中でも、長期的雇用効果の推定が正確かつ安定的に行えることが示された。
• 逐次的短期的結果を代理変数として用いることで、標準的手法が失敗する状況（未観測交絡要因が短期的および長期的結果の両方に影響を及ぼす状況）においても同定が可能になる。