[論文レビュー] Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables

Rohit Bhattacharya, Razieh Nabi+1 more|arXiv (Cornell University)|Mar 27, 2020

Advanced Causal Inference Techniques被引用数 13

ひとこと要約

本稿では、隠れ変数を含むグラフィカルモデルにおける因果効果の半パラメトリック推定量を、影響関数を用いて二重ロバスト性と有効性を達成する形で開発する。グラフィカル基準に基づき、任意の同定可能な効果に対して重みベースの推定戦略を直接得る、整合的かつ完全な同定アルゴリズムを提供する。これは、フロントドアモデルや調整ベースのモデルへと拡張され、最適な有効性を達成する。

ABSTRACT

Identification theory for causal effects in causal models associated with hidden variable directed acyclic graphs (DAGs) is well studied. However, the corresponding algorithms are underused due to the complexity of estimating the identifying functionals they output. In this work, we bridge the gap between identification and estimation of population-level causal effects involving a single treatment and a single outcome. We derive influence function based estimators that exhibit double robustness for the identified effects in a large class of hidden variable DAGs where the treatment satisfies a simple graphical criterion; this class includes models yielding the adjustment and front-door functionals as special cases. We also provide necessary and sufficient conditions under which the statistical model of a hidden variable DAG is nonparametrically saturated and implies no equality constraints on the observed data distribution. Further, we derive an important class of hidden variable DAGs that imply observed data distributions observationally equivalent (up to equality constraints) to fully observed DAGs. In these classes of DAGs, we derive estimators that achieve the semiparametric efficiency bounds for the target of interest where the treatment satisfies our graphical criterion. Finally, we provide a sound and complete identification algorithm that directly yields a weight based estimation strategy for any identifiable effect in hidden variable causal models.

研究の動機と目的

• 測定されていない交絡要因を伴うグラフィカルモデルにおいて、因果同定と推定のギャップを埋める。既存の同定手法は関数の推定が複雑であるため、実用的でない。
• 広範な隠れ変数を含むDAGのクラスにおいて、同定可能な因果効果の半パラメトリック推定量を、二重ロバスト性と半パラメトリック効率性境界を達成する形で開発する。
• 潜在投影モデルにおける完全に観測されたDAGへの非パラメトリック飽和および観察的同等性の必要十分条件を特定する。
• グラフィカル構造から直接重みベースの推定戦略を出力する、整合的かつ完全な同定アルゴリズムを導出する。
• 複雑な因果モデル（例：フロントドアモデルや調整公式の一般化）を扱えるように既存の手法を拡張し、統計的有効性とロバスト性を保証する。

提案手法

• 潜在変数を含むDAGにおける平均因果効果の影響関数に基づく推定量を導出する。これには、非循環的有向混合グラフ（ADMG）の階層的マークフ因子分解と、ネストされたマークフモデルを活用する。
• p-固定列の理論とdo計算を適用し、有効な介入分布を同定し、グラフィカル基準下での推定量の一貫性を保証する。
• ネストされたマークフ因子分解を用いて、DAGの潜在投影における通常および一般化された条件付き独立制約（ヴェルマ制約）を符号化する。
• 結果の回帰モデルと感受性スコアモデルを組み合わせることで、両方のモデルが正しく指定されていれば一貫性を保証する二重ロバストな推定量を構築する。
• 正則性条件下で、推定方程式フレームワークから導出された影響関数を用いて、半パラメトリック効率性境界に達する推定量を導出することで、有効性を保証する。
• グラフィカル構造をp-固定操作の列に翻訳する完全な同定アルゴリズムを実装し、数値近似を避けて明示的な重みを推定に直接出力する。

実験結果

リサーチクエスチョン

• RQ1 どのようなグラフィカルな条件下で、隠れ変数を含むDAGにおいて因果効果を同定し、効率的に推定できるか？
• RQ2 影響関数に基づく推定量は、測定されていない交絡要因を伴うモデルでも二重ロバスト性と有効性を達成できるか？
• RQ3 隠れ変数DAGの観測データ分布が、等式制約を一切持たない、すなわち非パラメトリックに飽和しているのはいつか？
• RQ4 潜在変数DAGの観測データ分布が、等式制約の範囲内で完全に観測されたDAGと観察的に同等になるのはいつか？
• RQ5 任意の同定可能な効果に対して、重みベースの推定戦略を直接出力する整合的かつ完全な同定アルゴリズムを構築できるか？

主な発見

• 本稿では、単純なグラフィカル基準（例：処置が潜在投影におけるトップレベルのドメインである）の下で、影響関数に基づく推定量が二重ロバストであり、半パラメトリック効率性境界に達することを確立している。
• 観測データ分布に等式制約が一切ない（非パラメトリックに飽和している）ための必要十分条件を提供している。
• 著者らは、観測分布が完全に観測されたDAGと観察的に同等になる広範な隠れ変数DAGのクラスを同定し、完全に観測された状況での既知の効率的推定量の使用を可能にしている。
• このようなモデルでは、提案された推定量が半パラメトリック効率性境界に達しており、漸近的分散の観点で最適であることを意味する。
• 同定アルゴリズムは整合的かつ完全であり、数値近似を避けて直接重みベースの推定戦略を出力するため、実装が容易である。
• 本手法は既知の結果を一般化する：調整公式やフロントドア調整を特別なケースとして回復し、測定されていない交絡要因を伴うより複雑な潜在構造へと拡張している。