[論文レビュー] On the role of surrogates in the efficient estimation of treatment effects with limited outcome data

Nathan Kallus, Xiaojie Mao|arXiv (Cornell University)|Mar 27, 2020

Advanced Causal Inference Techniques参考文献 64被引用数 19

ひとこと要約

本稿では、主Outcomeデータが限られている状況において、平均処置効果（ATE）推定の効率性を向上させるために、代理Outcomeの使用を提案する。半パラメトリック効率性理論と二重ロバストな機械学習推定量を活用することで、主Outcomeと代理Outcomeを最適に組み合わせる影響関数を導出し、主Outcomeが希少であっても、特に代理Outcomeが豊富で予測力が高い場合には顕著な分散低減が達成されることを示している。

ABSTRACT

In many experimental and observational studies, the outcome of interest is often difficult or expensive to observe, reducing effective sample sizes for estimating average treatment effects (ATEs) even when identifiable. We study how incorporating data on units for which only surrogate outcomes not of primary interest are observed can increase the precision of ATE estimation. We refrain from imposing stringent surrogacy conditions, which permit surrogates as perfect replacements for the target outcome. Instead, we supplement the available, albeit limited, observations of the target outcome with abundant observations of surrogate outcomes, without any assumptions beyond unconfounded treatment assignment and missingness and corresponding overlap conditions. To quantify the potential gains, we derive the difference in efficiency bounds on ATE estimation with and without surrogates, both when an overwhelming or comparable number of units have missing outcomes. We develop robust ATE estimation and inference methods that realize these efficiency gains. We empirically demonstrate the gains by studying long-term-earning effects of job training.

研究の動機と目的

• 主Outcomeデータが高コストであるか、サンプルサイズが限られている状況において、平均処置効果（ATE）を推定する課題に対処すること。
• 完全に媒介されていないために偏りや無効な因果的結論を引き起こす可能性がある、単一の代理Outcomeに依存する手法の限界を克服すること。
• 欠損はランダム（MAR）仮定の下で、代理Outcomeを組み込むことによる推定の効率性向上を定量化すること。
• 強い代理Outcome有効性条件を必要とせず、主Outcomeと代理Outcomeの両方を活用する柔軟で二重ロバストな推定フレームワークを開発すること。
• 実世界のデータを用いた応用を通じて、本手法の実証的有用性を示すこと（職業訓練の長期的収入影響を対象に）

提案手法

• 代理Outcomeの有無に応じたATE推定における半パラメトリック効率限界を導出し、分散低減の理論的限界を確立する。
• 主Outcomeが欠損している場合に適した、欠損はランダム（MAR）仮定の下で、主Outcomeと代理Outcomeを組み合わせた効率的影響関数を定式化する。
• 影響関数に含まれるヌイアンス関数（例えば、アウトカム回帰、傾向スコア）を柔軟な機械学習手法（例：ランダムフォレスト、勾配ブースティング、LASSO）で推定する、二重ロバストなATE推定量を提案する。
• アウトカム回帰または傾向スコアモデルのいずれかが一貫して推定可能であれば、ロバスト性を確保し、もう一方が正しく指定された場合に効率性を維持する。
• 二段階推定戦略を用いる：まずヌイアンスパラメータ（例：アウトカム回帰、傾向スコア、代理反応モデル）を推定し、その後影響関数を用いて効率的ATE推定量を計算する。
• 正則性条件の下で、提案された推定量の漸近正規性と効率性に関する理論的保証を確立する。

実験結果

リサーチクエスチョン

• RQ1 主Outcomeデータが限られている状況で、代理Outcomeを組み込むことで、どの程度の効率性向上が達成できるか？
• RQ2 代理Outcomeが利用可能な場合の、ATE推定量の分散の理論的下限は何か？
• RQ3 強い代理Outcome有効性仮定に依存せずに、希少な主Outcomeと最適に組み合わせる方法は何か？
• RQ4 代理Outcomeの豊富さと予測力が、効率性向上の大きさに与える影響は何か？
• RQ5 二重ロバストで機械学習に基づく推定量は、主Outcomeデータが限られている有限標本でも、半パラメトリック効率限界に達するか？

主な発見

• 代理Outcomeを用いることによる効率性向上は、代理Outcomeを用いない場合と用いる場合の半パラメトリック分散限界の差として定量化され、これは、共変数を条件とした代理反応モデルの条件付き分散に依存する。
• 代理観測値が優勢な場合、その効率性向上は、主Outcomeに対する代理Outcomeの予測力に比例し、特に推定された潜在的アウトカムの分散低減に起因する。
• 提案された二重ロバスト推定量は、アウトカム回帰または傾向スコアモデルのいずれかが正しく指定された場合に、半パラメトリック効率限界に達する。これは、もう一方が機械学習で推定されていても成立する。
• 職業訓練の実データを用いた実証結果では、代理Outcome（例：短期的雇用状況）を組み込むことで、主Outcomeのみを用いた場合と比較して、ATE推定量の標準誤差が顕著に低減していることが示された。
• ランダムフォレスト、勾配ブースティング、LASSOによる柔軟な代理モデル推定でも、本手法はロバストで効率的であり、さまざまなモデリングアプローチにわたる実用的有用性を示している。
• 特に代理Outcomeが主Outcomeを強く予測できる場合、および代理観測数が主Outcome観測数を著しく上回る場合、効率性向上は最も顕著である。