[論文レビュー] Valid Causal Inference with (Some) Invalid Instruments

Jason Hartford, Victor Veitch+2 more|Research Explorer (The University of Manchester)|Jun 19, 2020

Advanced Causal Inference Techniques参考文献 27被引用数 6

ひとこと要約

この論文は、多数の器具が除外制約を満たさない状況下でも一貫した因果推論を可能にする、頑健な道具立て変数（IV）手法ModeIVを紹介する。複数の候補器具におけるモード（過半数）の関係を活用することで、ModeIVはすべての器具が有効である必要がなく、非線形かつ非定型の処置効果を推定する機械学習ベースの推定器とも互換性を持つ。

ABSTRACT

Instrumental variable methods provide a powerful approach to estimating causal effects in the presence of unobserved confounding. But a key challenge when applying them is the reliance on untestable "exclusion" assumptions that rule out any relationship between the instrument variable and the response that is not mediated by the treatment. In this paper, we show how to perform consistent IV estimation despite violations of the exclusion assumption. In particular, we show that when one has multiple candidate instruments, only a majority of these candidates---or, more generally, the modal candidate-response relationship---needs to be valid to estimate the causal effect. Our approach uses an estimate of the modal prediction from an ensemble of instrumental variable estimators. The technique is simple to apply and is "black-box" in the sense that it may be used with any instrumental variable estimator as long as the treatment effect is identified for each valid instrument independently. As such, it is compatible with recent machine-learning based estimators that allow for the estimation of conditional average treatment effects (CATE) on complex, high dimensional data. Experimentally, we achieve accurate estimates of conditional average treatment effects using an ensemble of deep network-based estimators, including on a challenging simulated Mendelian Randomization problem.

研究の動機と目的

• 道具立て変数（IV）手法における根本的な課題に取り組むこと：除外制約の非検証性、すなわち、器具が処置を介さない限り結果に直接効果を持たないという仮定。
• すべての器具が有効でなければならないという要件を緩和し、有効な器具の過半数またはモード部分集合が存在する場合でも一貫した因果推定が可能になるようにすること。
• 任意の既存のIV推定器（特に条件付き平均処置効果（CATE）を推定するための最新の機械学習ベースのアプローチを含む）と互換性のあるブラックボックス手法を開発すること。
• モード的有効性というより弱い仮定の下で因果推論の理論的保証を提供すること、ここでモード的有効性とは、最も頻度の高い器具-応答関係が有効であることを意味する。
• 高次元的かつ非線形な設定、特に信号対ノイズ比が低い場合のMendelian randomizationのシミュレーションにおいて、経験的に頑健であることを示すこと。

提案手法

• 複数のIV推定器からの予測を統合し、それらの中で最も頻度が高い（モードの）予測を選択することで、因果効果を推定する新しい手法ModeIVを提案する。
• 異なる候補器具にそれぞれ適用されたIV推定器のアンサンブルを用い、処置効果関数 $ f(t,x) $ の個々の推定値を生成する。
• アンサンブル全体で最も共通する推定値を特定するモード特定手順を適用し、有効な器具の過半数が存在する場合には、モード推定値が真の因果効果に対応すると仮定する。
• 個々のIV推定値からの結果を独立に集約するブラックボックス後処理ステップとして扱うことで、任意のIV推定器と互換性を保つ。
• 理論的基盤は、個々の器具が無効であっても、器具と結果との間のモード的関係が有効であるという仮定に立っている。
• モード的有効性仮定の下で、ModeIVは漸近的に一貫しており、標本サイズが増加するにつれて真の因果効果に収束する。

実験結果

リサーチクエスチョン

• RQ1 有効でない器具の過半数やモード的部分集合が除外制約を満たさない場合でも、有効な因果推論が可能か？
• RQ2 複数のIV推定器からの予測を統合するブラックボックスアンサンブル手法が、無効な器具が存在する状況でも一貫した推定を達成できるか？
• RQ3 高次元的・非線形な処置効果および低信号対ノイズ比の設定下で、ModeIVはどのように性能を発揮するか？
• RQ4 個々の推定器がバイアスを有する場合でも、複数のIV推定値のモードが真の因果効果に対応する条件は何か？
• RQ5 ModeIVは、非定型処置効果を推定するための最新の機械学習ベースのIV推定器と効果的に組み合わせられるか？

主な発見

• ModeIVは、合成的および現実的なMendelian randomizationのシミュレーションにおいて、多数の器具が無効であっても、条件付き平均処置効果（CATE）の推定が正確に可能である。
• 除外制約バイアスに対して頑健であることが、信号対ノイズ比が低いシミュレーションでも一貫した性能を示すことで実証された。
• モード的器具-応答関係が有効である限り、多数の器具が無効であってもModeIVは高い正確性を維持する。
• 無効な器具をフィルタリングすることによる効率の損失は実際には無視できるほど小さく、ModeIVは頑健かつ効率的である。
• ModeIVは高次元的設定で深層学習ベースのIV推定器（例：DeepIV）を効果的に活用し、非線形因果効果の推定を可能にした。
• 理論的分析により、ModeIVがモード的有効性仮定の下で漸近的に一貫しており、強力な統計的保証が得られることを示した。