[論文レビュー] On a Class of Bias-Amplifying Variables that Endanger Effect Estimates

Judea Pearl|arXiv (Cornell University)|Mar 15, 2012

Advanced Causal Inference Techniques参考文献 17被引用数 37

ひとこと要約

この論文は、道具変数や結果よりも処置選択に強く影響する変数を含む、因果効果推定において条件付けた際に交絡バイアスを拡大する変数のクラスを特定する。この変数は線形および非線形モデルの両方でバイアスを悪化させることを示しており、元来バイアスが存在しなかった場合でさえ新たなバイアスを引き起こす可能性があり、選択誘導バイアスを軽減しないことも示している。

ABSTRACT

This note deals with a class of variables that, if conditioned on, tends to amplify confounding bias in the analysis of causal effects. This class, independently discovered by Bhattacharya and Vogt (2007) and Wooldridge (2009), includes instrumental variables and variables that have greater influence on treatment selection than on the outcome. We offer a simple derivation and an intuitive explanation of this phenomenon and then extend the analysis to non linear models. We show that: 1. the bias-amplifying potential of instrumental variables extends over to non-linear models, though not as sweepingly as in linear models; 2. in non-linear models, conditioning on instrumental variables may introduce new bias where none existed before; 3. in both linear and non-linear models, instrumental variables have no effect on selection-induced bias.

研究の動機と目的

• 因果効果推定において条件付けた際に交絡バイアスを拡大する変数を特定・特徴づけること。
• 道具変数および結果よりも処置選択に強く影響する変数がバイアス拡大において特に危険である理由を説明すること。
• 線形モデルにとどまらず、非線形設定へのバイアス拡大の分析を拡張すること。
• このような変数が選択誘導バイアスを軽減しない条件を明確にすること。
• 条件付けが因果効果推定を劣化させるメカニズムを直感的かつ形式的に理解すること。

提案手法

• 構造的因果モデルと反事後的推論を用いてバイアス拡大効果を導出する。
• 処置選択への影響と結果への影響を比較して、変数のバイアス拡大可能性を分類する。
• 線形および非線形構造的モデルにフレームワークを適用し、バイアスの挙動を比較する。
• 反事後的分散分解を用いて、特定の変数の条件付けが全体のバイアスに与える寄与を分離する。
• 非線形モデルにおいて、道具変数の条件付けが元来バイアスが存在しなかった場合でさえバイアスを引き起こす可能性があることを示す。
• 線形および非線形設定におけるバイアス拡大変数の挙動を比較し、非線形ケースでは拡大がやや限定的であることを示す。

実験結果

リサーチクエスチョン

• RQ1 因果推論において条件付けた際に、どのタイプの変数が交絡バイアスを最も拡大する可能性があるか？
• RQ2 線形および非線形構造的モデルにおけるバイアス拡大効果の違いは何か？
• RQ3 道具変数の条件付けが、元来バイアスが存在しなかった場合に新たなバイアスを引き起こす可能性はあるか？
• RQ4 バイアス拡大変数が選択誘導バイアスを軽減しない条件は何か？
• RQ5 特定の変数が効果推定におけるバイアスの大きさをどのように増大させるかの直感的かつ形式的なメカニズムは何か？

主な発見

• 道具変数は線形および非線形モデルの両方で交絡バイアスを拡大するが、非線形設定ではその影響がやや弱い。
• 処置選択に結果よりも強く影響する変数の条件付けは、調整しない場合よりも大きなバイアスを引き起こす可能性がある。
• 非線形モデルでは、未測定の交絡要因が存在しない状況でも、道具変数の条件付けがバイアスを新たに引き起こす可能性がある。
• バイアス拡大変数は、選択誘導バイアスを軽減しない。これは調整戦略における一部の期待とは対照的である。
• バイアス拡大効果の根拠は、特定の変数が処置割り当てに対して結果よりも顕著に影響を与えることにある。
• 反事後的分散分解を通じて形式的に説明され、条件付けが効果推定におけるバイアスの分散を増大させることを示している。