[論文レビュー] Nonparametric identification and efficient estimation of causal effects with instrumental variables

Alexander W. Levis, Edward H. Kennedy+1 more|arXiv (Cornell University)|Feb 14, 2024

Statistical Methods and Inference被引用数 5

ひとこと要約

本論文は、いくつかの加法的因果比較（ATE, CATE, LATE, ATT）に対する道具変数下の非パラメトリック同定を調査し、効率的なDRMLベースの推定量を開発する。REFLUXの事例と市場参加に関する研究で実例を示す。

ABSTRACT

Instrumental variables are widely used in econometrics and epidemiology for identifying and estimating causal effects when an exposure of interest is confounded by unmeasured factors. Despite this popularity, the assumptions invoked to justify the use of instruments differ substantially across the literature. Similarly, statistical approaches for estimating the resulting causal quantities vary considerably, and often rely on strong parametric assumptions. In this work, we compile and organize structural conditions that nonparametrically identify conditional average treatment effects, average treatment effects among the treated, and local average treatment effects, with a focus on identification formulae invoking the conditional Wald estimand. Moreover, we build upon existing work and propose nonparametric efficient estimators of functionals corresponding to marginal and conditional causal contrasts resulting from the various identification paradigms. We illustrate the proposed methods on an observational study examining the effects of operative care on adverse events for cholecystitis patients, and a randomized trial assessing the effects of market participation on political views.

研究の動機と目的

• 道具変数を用いて、条件付き平均処置効果（CATE）、処置を受けた者の平均処置効果（ATE among the treated、ATT）、局所平均処置効果（LATE）を非パラメトリックに同定するための構造的条件を検討する。
• さまざまな同定パラダイムの下で、周辺的および条件付き因果対比に対応する機能（ファンクショナル）の非パラメトリックな効率推定量を開発する。
• サンプル分割を伴うダブルロバスト機械学習に基づく統一的推定フレームワークを提供する。
• GORD REFLUXの観察研究と政治的見解に関する市場参加のランダム化研究で方法を実証的に示す。

提案手法

• 関連性、無偏見性、排他的制約といったコアIV仮定を整理し、それらが同定に果たす役割を整理する。
• 複数の構造モデル下で、異なるターゲット推定量の同定式（例：条件付きWald推定量）を導出する。
• 効率的影響関数を用いた非パラメトリックな効率推定量を、ダブルロバスト機械学習フレームワーク内で提案する。
• ノイズ項の機械学習推定を速い収束を達成する推定量と組み合わせるために、サンプル分割を用いる。
• ATE、CATE、LATE、ATTの間で、共通のDRMLアプローチ内で推定を統一する。

実験結果

リサーチクエスチョン

• RQ1 IV設定において、加法的因果対比（ATE、CATE、ATT、LATE）を点推定可能にする同定条件は何か。
• RQ2 異なる同質性と単調性の仮定は、推定量と解釈性にどのような影響を与えるか。
• RQ3 これらの推定量のために、統一されたDRMLフレームワークを用いて非パラメトリックな効率推定量を構築できるか。
• RQ4 REFLUXなどの具体的な応用や市場参加研究でこれらの手法はどのように機能するか。

主な発見

• いくつかの同定戦略は、コアIV仮定の下でCATEを識別し、定数の加法効果や測定不能な交互作用が弱い場合を含む。
• 条件付きWald推定量 Psi_P(X) は、推定量全体で中心的な役割を果たし、適切なモデル下でCATEまたはATEを同定できる。
• より弱い仮定（Y におけるU-A交互作用なし、AにおけるU-Z交互作用なし、または共変量条件付き独立性の弱い形）でも Psi_P(X) による CATE の同定を可能にする。
• 影響関数ベースの推定量を備えた統一DRMLフレームワークは、ノイズ成分の機械学習を柔軟に扱いながら非パラメトリック効率を提供する。
• 実証的な図示は、非遵守を伴うREFLUX試験と政治的見解に関する市場参加研究への適用を示す。