[論文レビュー] Nonparametric identification is not enough, but randomized controlled trials are

Peter M. Aronow, James M. Robins+3 more|arXiv (Cornell University)|Aug 25, 2021

Advanced Causal Inference Techniques参考文献 33被引用数 9

ひとこと要約

この論文は、交絡要因のない状態でも、観察的研究における平均処置効果の非パラメトリックな同定は、信頼できる推定に不十分であると主張している。ランダム化比較試験（RCTs）が特異的価値を持つのは、割り付け確率が既知であるためであり、これは一様に一貫した推定器とパラメトリックレートでの誠実な信頼区間を可能にする。観察的研究では、完全な交絡要因の制御が行われても、このような条件は保証されない。

ABSTRACT

We argue that randomized controlled trials (RCTs) are special even among settings where average treatment effects are identified by a nonparametric unconfoundedness assumption. This claim follows from two results of Robins and Ritov (1997): (1) with at least one continuous covariate control, no estimator of the average treatment effect exists which is uniformly consistent without further assumptions, (2) knowledge of the propensity score yields a uniformly consistent estimator and honest confidence intervals that shrink at parametric rates with increasing sample size, regardless of how complicated the propensity score function is. We emphasize the latter point, and note that successfully-conducted RCTs provide knowledge of the propensity score to the researcher. We discuss modern developments in covariate adjustment for RCTs, noting that statistical models and machine learning methods can be used to improve efficiency while preserving finite sample unbiasedness. We conclude that statistical inference has the potential to be fundamentally more difficult in observational settings than it is in RCTs, even when all confounders are measured.

研究の動機と目的

• 観察的研究における信頼できる因果推論のためには非パラメトリックな同定だけでは十分であるという考えを疑問視すること。
• RCTsが交絡要因の排除を越えて、特異的な統計的利点を提供することを示すこと。
• RCTsで保証される割り付け確率の知識が、一様に一貫した推定器とパラメトリックレートでの推論を可能にすることを示すこと。
• 大規模な標本と測定済みの交絡要因が存在する場合でも、標準的推定器の観察的研究における限界を強調すること。
• アルゴリズム的および自然実験で割り付けメカニズムを記録することで推定効率を維持するよう提言すること。

提案手法

• 連続的共変量のもとで、割り付け確率の知識がない限り、平均処置効果の均一に一貫した推定器が存在しないことを示すために、Robins-Ritov (1997) の結果を活用する。
• Horvitz-Thompson推定器フレームワークを用いて、既知の割り付け確率が、√n 一貫性と不偏推定器、誠実な信頼区間を可能にすることを確立する。
• 滑らかで、非常に非線形な関数を含む、さまざまなデータ生成プロセスを用いたシミュレーション実験を通じて、推定器の性能を比較する。
• 真の割り付け確率と推定された割り付け確率を使用する推定器、およびそれらを使用しない推定器を、異なる実験設定のもとで比較する。
• 高次元・非線形な設定における性能を評価するために、ランダムフォレストを用いたダブルロバスト推定法などの現代的手法を適用する。
• 高次元的で連続的な共変量が、観察的推論における「次元の呪い」の現れ方としてどのように影響を与えるかを分析する。

実験結果

リサーチクエスチョン

• RQ1 なぜ連続的共変量のもとで、大規模な標本が存在しても、観察的研究における非パラメトリックな同定だけでは信頼できる推定が不十分なのか？
• RQ2 RCTsは交絡要因の排除を越えて、どのような特異的な統計的利点を提供するのか？
• RQ3 割り付け確率の知識が、なぜ一様に一貫した推定とパラメトリックレートでの推論を可能にするのか？
• RQ4 割り付け確率が未知である場合、現代の機械学習手法が観察的研究における推定をどの程度改善するのか？
• RQ5 割り付け確率が記録されていない場合、アルゴリズム的または自然実験がRCTの推定利点を再現できるか？

主な発見

• 連続的共変量のもとで、非パラメトリックな同定と大規模な標本が存在しても、追加の仮定がなければ、観察的研究における平均処置効果の均一に一貫した推定器は存在しない。
• 真の割り付け確率の知識があることで、結果関数や割り付け確率関数の複雑さにかかわらず、一様に一貫した推定器とパラメトリックレートで収束する誠実な信頼区間が可能になる。
• 真の割り付け確率を使用する推定器は、それを使わない推定器よりも顕著に優れている。特に非線形または高次元の設定では顕著である。
• シミュレーションでは、推定された割り付け確率を使用する推定器は、真の割り付け確率を使用する推定器に比べて性能が劣り、特に敵対的または非常に非線形なデータ生成プロセスでは顕著である。
• RCTsは、割り付けメカニズム（すなわち、割り付け確率）の知識を内蔵しているため、特異的である。これは信頼できる推論にとって不可欠である。
• アルゴリズム的システムでは、共変量が記録されていても、割り付け確率へのアクセスがなければ推定性能が著しく低下する。これは、割り付け確率を記録する必要性を強調する。