[論文レビュー] Positivity: Identifiability and Estimability

Paul N. Zivich, Stephen R. Cole+1 more|arXiv (Cornell University)|Jul 11, 2022

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿は、母集団内の交絡要因のすべての組み合わせに対して治療の非ゼロ確率を保証する決定論的ポジティブティ（deterministic positivity）と、有限標本における推定確率が非ゼロであることを保証する確率的ポジティブティ（stochastic positivity）の違いを明確にしている。決定論的ポジティブティは非パrametricな同定可能性を保証するが、確率的ポジティブティは推定可能性に不可欠であり、モデルベースまたは機械学習的手法が正しいモデル仮定のもとで確率的ポジティブティの違反を緩和できることを示している。

ABSTRACT

Positivity, the assumption that every unique combination of confounding variables that occurs in a population has a non-zero probability of an action, can be further delineated as deterministic positivity and stochastic positivity. Here, we revisit this distinction, examine its relation to nonparametric identifiability and estimability, and discuss how to address violations of positivity assumptions. Finally, we relate positivity to recent interest in machine learning, as well as the limitations of data-adaptive algorithms for causal inference. Positivity may often be overlooked, but it remains important for inference.

研究の動機と目的

• 因果推論における決定論的ポジティブティと確率的ポジティブティの違いを明確にすること。
• 決定論的ポジティブティが非パrametricな同定可能性を保証する仕組みと、確率的ポジティブティが推定可能性を保証する仕組みを検討すること。
• 観察研究におけるポジティブティ仮定の違反を、モデルベースまたはデータ適応的アプローチで扱うこと。
• 機械学習アルゴリズムがその柔軟性にもかかわらず、確率的ポジティブティの違反を処理する際の限界を評価すること。
• 疫学的研究でしばしば無視されがちな、ポジティブティが基礎的仮定として重要な意義を強調すること。

提案手法

• 決定論的ポジティブティを、Zのサポート上のすべてのzに対してPr(A=a|Z=z) ≥ ε > 0 という下限として定義し、同定可能性を保証する。
• 確率的ポジティブティを、標本サイズnの観察されたzすべてに対して推定確率Pr̂n(A=a|Z=z) > 0 として定義し、推定可能性を保証する。
• 非パrametric逆確率重み付け（IPW）推定量を用いて、確率的ポジティブティが違反されるとゼロ除算が発生することを示した。
• パラメトリックモデル（例：ロジスティック回帰）を提案し、Pr(A|Z)に構造を課して推定確率がゼロとならないようにした。
• ハイパーパramータチューニング（例：最小リーフサイズ）を用いた機械学習手法（例：ランダムフォレスト）を評価し、推定確率がゼロとならないようにした。
• 柔軟なアルゴリズムでさえ、特に高次元設定において推定可能性を保証するためには事前制約が必要であることを示した。

実験結果

リサーチクエスチョン

• RQ1 決定論的ポジティブティと確率的ポジティブティは、因果同定と推定においてどのように異なる役割を果たすか？
• RQ2 非パrametric推定量（例：IPW）において、確率的ポジティブティが違反された場合の結果は何か？
• RQ3 パラメトリックモデルや機械学習アルゴリズムは、確率的ポジティブティの違反を効果的に是正できるか？
• RQ4 なぜ決定論的ポジティブティは非パrametricな同定可能性に不可欠であり、確率的ポジティブティは推定可能性に不可欠なのか？
• RQ5 ランダムフォレストのようなデータ適応的アルゴリズムは、追加のモデル仮定なしにポジティブティの問題をどれほど克服できるか？

主な発見

• 決定論的ポジティブティは、すべての交絡要因パターンに対して潜在的アウトカムが定義されていることを保証するため、平均因果効果の非パrametricな同定可能性を保証する。
• 確率的ポジティブティは推定可能性に不可欠であり、IPWのような推定量でゼロ除算が発生するため、違反すると推定量が未定義になる。
• 大規模な標本でも、高次元の共変量空間におけるスパースまたは観察回数ゼロのセルの存在により、確率的ポジティブティが成立しないことがある。
• ロジスティック回帰などのパラメトリックモデルは、Pr(A|Z)に構造を課すことで推定可能性を回復し、推定確率がゼロとならないようにする。
• ランダムフォレストのような機械学習アルゴリズムでも、ハイパーパramータ（例：最小リーフサイズ）が厳しすぎる場合には推定確率がゼロになる可能性があり、事前制約が不可欠である。
• 決定論的ポジティブティと確率的ポジティブティの区別は極めて重要である：決定論的違反は同定可能性を無効にし、確率的違反は推定可能性を無効にするが、両方とも実践的に評価されるべきである。