[論文レビュー] On Measurement Bias in Causal Inference

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

Bayesian Modeling and Causal Inference参考文献 16被引用数 36

ひとこと要約

本稿では、グラフィカルモデルと代数的手法を用いて、因果推論における測定バイアスを同定および除去するフレームワークを提示する。部分的に観測された交絡要因を伴うパラメトリックおよびノンパラメトリックモデルにおけるバイアスフリーな推定の基準を導入し、交絡要因または処置における測定誤差が存在する場合でも一貫した因果効果推定を可能にする。

ABSTRACT

This paper addresses the problem of measurement errors in causal inference and highlights several algebraic and graphical methods for eliminating systematic bias induced by such errors. In particulars, the paper discusses the control of partially observable confounders in parametric and non parametric models and the computational problem of obtaining bias-free effect estimates in such models.

研究の動機と目的

• 交絡要因または処置における測定誤差から生じる系統的バイアスに対処すること。
• 観測されない交絡要因が存在する状況でもバイアスが除去可能であることを特定する基準を開発すること。
• パラメトリックおよびノンパラメトリックモデルにおけるバイアスフリーな効果推定を取得するための計算手法を提供すること。
• 測定誤差が因果同定を無効にしない条件を形式化すること。
• 不完全に測定された変数を含む設定にド計算を拡張し、有効な因果推定を保証すること。

提案手法

• 未観測の交絡要因を含む変数の連関分布を表現するために構造的因果モデル（SCMs）を用いる。
• ド計算を適用して、測定誤差が存在する場合でも因果効果が同定可能である条件を導出する。
• 交絡要因が誤差を伴って測定される場合に、観測データから因果効果が推定可能かどうかを判断するためのグラフィカル基準を導入する。
• 測定誤差の設定に適応したバックドア基準を用い、交絡要因が部分的に観測される場合でもバックドア経路を遮断する調整集合を特定する。
• 構造方程式の関数形を用いて、測定誤差に起因するバイアスを解析的に是正できる代数的条件を導出する。
• 交絡要因または処置変数における測定誤差を考慮して、観測データモデルを変換することで真の因果効果を回復する手法を提案する。

実験結果

リサーチクエスチョン

• RQ1 交絡要因が誤差を伴って測定される場合、どのような条件下で因果効果を一貫して推定できるか？
• RQ2 処置または交絡要因変数における測定誤差は、どのように是正され、系統的バイアスが排除されるか？
• RQ3 観測されない交絡要因および測定誤差が存在する状況でも、因果効果が同定可能であることを保証するグラフィカルおよび代数的基準は何か？
• RQ4 ド計算は、交絡要因または処置における測定誤差に対応できるように拡張可能か？
• RQ5 交絡要因が完全に観測されない場合、バックドア経路を遮断するために十分な調整は何か？

主な発見

• 本稿では、交絡要因における測定誤差が特定の条件付き独立性仮定を満たす場合、測定バイアスを除去可能であることを確立している。
• 部分的に観測される場合でもバイアスフリーな調整集合を同定できるグラフィカル基準が導出された。
• 特定の条件下では、修正された同定式を用いることで、観測データから真の因果効果を回復可能であることを証明した。
• 測定誤差機構が既知または推定可能である場合、ノンパラメトリックモデルにおいても一貫した推定が可能である。
• 本手法により、測定誤差を伴う設定に一般化されたバックドア基準が得られ、実世界の不完全な測定データへの適用範囲が拡張された。
• 本稿では、処置変数における測定誤差が、誤差が非決定的であり適切にモデル化されていれば、同定を無効にしないことが示された。