[논문 리뷰] Bounds on the conditional and average treatment effect in the presence of unobserved confounders

Steve Yadlowsky, Hongseok Namkoong외 3명|arXiv (Cornell University)|2018. 08. 28.

Advanced Causal Inference Techniques인용 수 6

한 줄 요약

이 논문은 관측되지 않은 혼동요인 하에서 관측 연구에서 조건부 및 평균 치료 효과의 경계를 설정하기 위한 확장성 있고 유연한 방법을 개발한다. 이는 제한된 오즈 비율 조건 하에서 손실 최소화를 활용한다. 이는 조건부 평균 치료 효과(CATE)의 뉴먼-수정된, 루트-n 추정 가능한 AIPW 유형의 추정기법을 도입하여, 관측되지 않은 혼동요인이 존재하더라도 유효성을 유지하며, 이론적으로 날카운 경계와 정확한 유한표본 커버리지를 제공한다.

ABSTRACT

For observational studies, we study the sensitivity of causal inference when treatment assignments may depend on unobserved confounding factors. We develop a loss minimization approach that quantifies bounds on the conditional average treatment effect (CATE) when unobserved confounder have a bounded effect on the odds of treatment selection. Our approach is scalable and allows flexible use of model classes, including nonparametric and black-box machine learning methods. Using these bounds, we propose a related sensitivity analysis for the average treatment effect (ATE), and develop a semi-parametric framework that extends/bounds the augmented inverse propensity weighted (AIPW) estimator for the ATE beyond the assumption that all confounders are observed. By constructing a Neyman orthogonal score, our estimator is a regular root-n estimator so long as the nuisance parameters can be estimated at the $o_p(n^{-1/4})$ rate. We complement our methodological development with optimality results showing that our proposed bounds are tight in certain cases. We demonstrate our method on simulated and real data examples, and show accurate coverage of our confidence intervals in practical finite sample regimes.

연구 동기 및 목표

• 관측되지 않은 혼동요인이 존재할 경우, 치료 배정이 숨겨진 요인에 의존할 수 있는 관측 연구에서의 인과적 추론 문제를 다루기 위해.
• 관측되지 않은 혼동요인이 치료 선택에 미치는 영향이 오즈 비율 기반으로 제한될 때, 조건부 평균 치료 효과(CATE)의 경계를 설정하기 위해.
• 관측된 혼동요인에 대한 가정을 초월하여 평균 치료 효과(ATE)를 위한 보정된 역확률가중치(AIPW) 추정기법을 확장하기 위해.
• 모수적 요소 추정의 약한 규칙성 조건 하에서, 결과로 도출된 ATE 추정기법이 루트-n 일관성과 점근 정규성을 유지하도록 보장하기 위해.
• 경계의 이론적 최적성과 유한표본 성능의 실증적 검증을 위해.

제안 방법

• 관측되지 않은 혼동요인에 대해 오즈 비율 제약 조건이 존재할 때, CATE에 대한 경계를 계산하기 위해 손실 최소화 프레임워크를 사용한다.
• 모수적 요소(예: 결과 모형 및 성사확률 모형)가 $ o_p(n^{-1/4}) $ 속도로 추정되더라도 ATE의 루트-n 추정을 가능하게 하기 위해 뉴먼-수정된 스코어 함수를 구성한다.
• 오즈 비율 제약 조건에서 유도된 경계를 통합하여, AIPW 추정기법을 관측되지 않은 혼동요인 상황으로 확장한다.
• 비모수적 및 블랙박스 기계학습 방법을 포함한 다양한 모델 클래스를 활용하여 모수적 요소 함수를 추정한다.
• 모수적 요소 추정기의 약한 규칙성 조건 하에서도 규칙성과 효율성을 유지하는 반모수적 프레임워크를 도출한다.
• 특정 경우에서 경계의 이론적 날카움을 입증하여, 주어진 제약 조건 하에서 최적임을 보여준다.

실험 결과

연구 질문

• RQ1 관측되지 않은 혼동요인이 치료 배정에 영향을 미칠 때, 오즈 비율 제약 조건 하에서 조건부 평균 치료 효과(CATE)의 경계를 어떻게 설정할 수 있는가?
• RQ2 관측되지 않은 혼동요인이 존재하더라도 유효성을 유지할 수 있도록, ATE를 위한 보정된 역확률가중치(AIPW) 추정기법을 어떻게 확장할 수 있으며, 어떤 조건에서 가능한가?
• RQ3 모수적 요소가 $ o_p(n^{-1/4}) $ 속도로 추정될 때, 제안된 ATE 추정기의 수렴 속도와 점근 분포는 어떻게 되는가?
• RQ4 특정 통계 모형이나 데이터 생성 과정에서 유도된 CATE 및 ATE 경계는 이론적으로 날카운가?
• RQ5 관측되지 않은 혼동요인이 존재할 경우, ATE에 대한 신뢰구간은 유한표본 커버리지를 얼마나 잘 달성하는가?

주요 결과

• 제안된 방법은 관측되지 않은 혼동요인이 존재하더라도 정확한 커버리지를 달성하는 유효한 유한표본 신뢰구간을 생성한다.
• 뉴먼-수정된 스코어 함수는 모수적 요소가 $ o_p(n^{-1/4}) $ 속도로 추정되는 한, ATE 추정기의 루트-n 점근 정규성을 보장하여 강건한 추론을 가능하게 한다.
• 일부 파라미터 모형 및 비모수적 모형에서 CATE 경계는 날카롭게 나타나, 주어진 제약 조건 하에서 최적임을 시사한다.
• 이 방법은 확장 가능하며, 비모수적 및 블랙박스 기계학습 모델을 포함한 다양한 모델링 접근법을 지원한다.
• 시뮬레이션 및 실데이터 기반의 실증 결과는, 실제 유한표본 환경에서도 신뢰구간이 양호한 커버리지를 유지함을 보여준다.
• 관측되지 않은 혼동요인 상황으로 확장된 AIPW 추정기법은 오즈 비율 제약 조건 하에서 이중로버스트성 성질을 유지한다.