[論文レビュー] On the Validity of Covariate Adjustment for Estimating Causal Effects

Ilya Shpitser, Tyler J. VanderWeele+1 more|arXiv (Cornell University)|Mar 15, 2012

Bayesian Modeling and Causal Inference参考文献 18被引用数 89

ひとこと要約

本稿は、共変量の適切な調整を特定する完全なグラフィカル基準—調整基準—を確立した。この基準により、交絡要因のない仮定の下で、観察データから因果効果を同定することが可能になる。本稿は、この基準が必要かつ十分であることを証明し、標準的な回帰法や層別化法が偏りのない因果推定をもたらす条件について長年の曖昧さを解消した。

ABSTRACT

Identifying effects of actions (treatments) on outcome variables from observational data and causal assumptions is a fundamental problem in causal inference. This identification is made difficult by the presence of confounders which can be related to both treatment and outcome variables. Confounders are often handled, both in theory and in practice, by adjusting for covariates, in other words considering outcomes conditioned on treatment and covariate values, weighed by probability of observing those covariate values. In this paper, we give a complete graphical criterion for covariate adjustment, which we term the adjustment criterion, and derive some interesting corollaries of the completeness of this criterion.

研究の動機と目的

• 観察研究において共変量の調整が有効な因果効果推定をもたらす条件についての曖昧さを解消すること。
• 観察された共変量の調整が因果効果推定における交絡バイアスを除去する条件を形式化すること。
• 有効な調整集合を特定する完全で計算可能可能なグラフィカル基準を提供すること。
• 回帰ベースおよび層別化ベースの因果推定手法の理論的基盤を明確化すること。
• 構造的因果モデル下での共変量調整の既存のアプローチを統合・一般化すること。

提案手法

• 有向無閉路グラフ（DAG）におけるd-分離に基づく、グラフィカル基準—調整基準—を考案する。
• 治療とアウトカムの間のすべてのバックドア経路を遮断する場合に、共変量の集合を有効な調整として定義する。
• do計算とd-分離を用いて、基準の完全性および正しさを形式的に証明する。
• 与えられた共変量集合が調整基準を満たすかどうかをチェックする再帰的アルゴリズムを導入する。
• バイアス低減と分散のバランスを取る最小および最適な調整集合を特定するために基準を適用する。
• 基準が、バックドア基準などの従来の手法を包含・一般化することを示す。

実験結果

リサーチクエスチョン

• RQ1 観察データから因果効果を推定する際に、観察された共変量の調整がいつ有効となるのか。
• RQ2 共変量の集合の調整が交絡バイアスを除去することを保証するグラフィカルな条件は何か。
• RQ3 すべての有効な調整集合を特定する完全で計算可能な基準は存在するか。
• RQ4 提案された調整基準は、バックドア基準などの既存の基準とどのように関係し、一般化されるか。
• RQ5 この基準を用いて、因果効果推定の精度を最適化する最小の調整集合を特定できるか。

主な発見

• 調整基準は、線形および非線形の構造的因果モデルにおいて、共変量の適切な調整のための必要かつ十分条件である。
• 基準はバックドア基準を特別な場合として包含しており、より広範かつ柔軟なフレームワークを提供する。
• 本稿は、共変量の集合が、治療とアウトカムをその集合に関してd-分離する場合に限り、有効な調整であることを証明した。
• 基準により、不偏性を維持しながら分散を低減する最小の調整集合を特定できる。
• 標準的なDAGアルゴリズムを用いて、有効な調整集合の自動検証が可能になる。
• 本研究の結果により、因果推定における一般的な回帰法および層別化法の有効性について長年の疑問が解消された。