[論文レビュー] Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model

Chan Ho Park, Eric Tchetgen Tchetgen|arXiv (Cornell University)|Feb 2, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この論文は、分離可能な二値治療選択モデルの下で非パラメトリックIV推定を実行するための変分的に独立なパラメータ化と固定点法を開発し、MLなノイズ推定を用いた効率的推定を可能にし、Job Corpsへ適用する。

ABSTRACT

Instrumental variable (IV) methods are widely used to infer treatment effects in the presence of unmeasured confounding. In this paper, we study nonparametric inference with an IV under a separable binary treatment choice model, which posits that the odds of the probability of taking the treatment, conditional on the instrument and the treatment-free potential outcome, factor into separable components for each variable. While nonparametric identification of smooth functionals of the treatment-free potential outcome among the treated, such as the average treatment effect on the treated, has been established under this model, corresponding nonparametric efficient estimation has proven elusive due to variationally dependent nuisance parameters defined in terms of counterfactual quantities. To address this challenge, we introduce a new variationally independent parameterization based on nuisance functions defined directly from the observed data. This parameterization, coupled with a novel fixed-point argument, enables the use of modern machine learning methods for nuisance function estimation. We characterize the semiparametric efficiency bound for any smooth functional of the treatment-free potential outcome among the treated and construct a corresponding semiparametric efficient estimator without imposing any unnecessary restriction on nuisance functions. Furthermore, we describe a straightforward generative model justifying our identifying assumptions and characterize empirically falsifiable implications of the framework to evaluate our assumptions in practical settings. Our approach seamlessly extends to nonlinear treatment effects, population-level effects, and nonignorable missing data settings. We illustrate our methods through simulation studies and an application to the Job Corps study.

研究の動機と目的

• instrumental variableの下で、分離可能な二値治療選択モデルを仮定した治療効果の非パラメトリック推定を動機づける。
• 反事実量とデータ駆動のノイズ推定に依存しないノイズパラメータ化を開発する。
• 治療を受けた者の治療なしポテンシャルアウトカムの滑らかな機能に対する準半パラメトリック効率境界を特徴づけ、効率的推定量を構築する。
• 仮定を評価する生成モデルと反証可能な含意を提供し、非線形効果や欠損データへの拡張を論じる。

提案手法

• 観測データから直接定義される変分的に独立なノイズパラメータ化を導入する。
• 機械学習を用いたノイズ推定量での推定を可能にする新規の固定点法を採用する。
• 治療を受けた者の治療なしポテンシャルアウトカムの滑らかな機能に対する準半パラメトリック効率境界を導出する。
• ノイズ関数に不必要な制限を課さずに準半パラメトリック効率推定量を構築する。
• 識別仮定を正当化する生成モデルを提供し、適用現場で検証可能な反証可能な含意を記述する。非線形効果、集団レベル効果、非欠損切り欠測データへの拡張を述べる。

実験結果

リサーチクエスチョン

• RQ1 separable IVモデルの下で治療なしポテンシャルアウトカムの滑らかな機能に対する治療を受けた者の identifiability と効率性に関する特性は何か？
• RQ2 現代の機械学習で推定されたノイズ関数を用いて制約の厳しくない仮定のもとで準半パラメトリック効率推定を達成できるか？
• RQ3 反事実量に依存せず、観測データから直接ノイズをパラメータ化する方法は？
• RQ4 適用現場で識別仮定を検証するための生成モデルと検証可能な含意にはどのようなものがあるか？

主な発見

• 治療を受けた者の治療なしポテンシャルアウトカムの滑らかな機能に対する準半パラメトリック効率境界を確立した。
• ノイズ関数に厳しい制限を課さない準半パラメトリック効率推定量を構築した。
• 変分的に独立なノイズパラメータ化と固定点法を導入し、MLベースのノイズ推定を可能にした。
• 識別仮定を正当化する生成モデルと、実務で検証可能な反証可能な含意を提供した。
• このアプローチは非線形治療効果、集団レベル効果、非自明な欠損データへ拡張可能であることを、Job Corps研究のシミュレーションと応用で示した。