[논문 리뷰] Effects of Treatment on the Treated: Identification and Generalization

Ilya Shpitser, Judea Pearl|arXiv (Cornell University)|2012. 05. 09.

Bayesian Modeling and Causal Inference참고 문헌 13인용 수 42

한 줄 요약

이 논문은 인과 다이어그램과 do-계산법을 사용하여 치료의 효과를 받는 대상에 대한 영향(ETT)을 식별하고 일반화하는 공식적 프레임워크를 제공한다. 실험적 및 관찰적 연구에서 ETT 식별을 위한 그래픽 조건을 수립하며, 특히 치료가 단일 변수에 영향을 미칠 경우에 초점을 맞추고, 간섭 및 관찰 분포에서 ETT 추정량을 구성하는 방법을 제시한다.

ABSTRACT

Many applications of causal analysis call for assessing, retrospectively, the effect of withholding an action that has in fact been implemented. This counterfactual quantity, sometimes called "effect of treatment on the treated," (ETT) have been used to to evaluate educational programs, critic public policies, and justify individual decision making. In this paper we explore the conditions under which ETT can be estimated from (i.e., identified in) experimental and/or observational studies. We show that, when the action invokes a singleton variable, the conditions for ETT identification have simple characterizations in terms of causal diagrams. We further give a graphical characterization of the conditions under which the effects of multiple treatments on the treated can be identified, as well as ways in which the ETT estimand can be constructed from both interventional and observational distributions.

연구 동기 및 목표

• 후행적 인과 분석을 위한 반사적 양(Counterfactual Quantity)으로 알려진 치료의 효과를 받는 대상에 대한 영향(ETT)을 공식화하는 것.
• 그래픽 모델을 사용하여 실험적 또는 관찰적 자료로부터 ETT를 추정할 수 있는 조건을 규명하는 것.
• 다중 치료 및 복잡한 인과 구조로의 ETT 식별을 일반화하는 것.
• 간섭 및 관찰 분포에서 ETT 추정량을 구성하는 구축 가능한 방법을 제공하는 것.
• d-분리 및 do-계산법에 기반한 그래픽 기준을 통해 인과 다이어그램에서 ETT 식별을 위한 기준을 설정하는 것.

제안 방법

• 구조적 인과 모델을 표현하고 조건부 인성을 표현하기 위해 인과 다이어그램(DAGs)을 사용한다.
• do-계산법 규칙을 적용하여 관찰 및 실험적 분포에서 ETT의 식별 표현을 유도한다.
• 관측된 자료로부터 ETT가 식별 가능한지 여부를 판단하기 위한 d-분리에 기반한 그래픽 기준을 도입한다.
• 치료가 단일 변수에 영향을 미칠 경우 ETT 식별 조건을 단순화하여 특성화한다.
• 간섭의 구조와 그들이 인과 다이어그램에서 겹치는 방식을 분석함으로써 다중 치료로 프레임워크를 확장한다.
• do-계산법 프레임워크를 사용하여 간섭 및 관찰 분포의 함수로 ETT 추정량을 구성한다.

실험 결과

연구 질문

• RQ1 관찰적 또는 실험적 자료로부터 치료의 효과를 받는 대상에 대한 영향(ETT)을 언제 식별할 수 있는가?
• RQ2 치료의 효과를 받는 대상에 대한 영향(ETT)은 어떻게 다른 인구나 설정 간에 일반화될 수 있는가?
• RQ3 치료가 단일 변수에 영향을 미칠 경우 ETT 식별을 보장하는 그래픽 기준은 무엇인가?
• RQ4 간섭 및 관찰 분포의 조합으로부터 ETT를 어떻게 추정할 수 있는가?
• RQ5 다중 치료가 포함된 경우 ETT의 식별 조건는 무엇인가?

주요 결과

• 치료의 효과를 받는 대상에 대한 영향(ETT)은 오직 그리고 오직 do-계산법 규칙을 적용하여 반사적 분포를 관측된 분포의 표현으로 표현할 수 있을 때에만 인과 다이어그램에서 식별 가능하다.
• 치료가 단일 변수에 영향을 미칠 경우, ETT 식별은 인과 다이어그램에서 단순한 d-분리 조건으로 축소된다.
• 논문은 간섭 및 관찰 분포를 사용하여 ETT 추정량을 구성하는 구축 가능한 방법을 제공하여 실용적 추정을 가능하게 한다.
• 다중 치료의 경우, ETT 식별는 특정한 차단되지 않은 후방 경로의 부재와 특정 조건부 독립 관계의 존재에 의해 특성화된다.
• 인과 모델의 그래픽 구조를 활용함으로써 이 프레임워크는 ETT를 다양한 인구 간에 일반화하는 데 기여한다.
• 결과는 do-계산법의 적용을 통해 공식적으로 검증되었으며, Pearl(2009)의 반사적 프레임워크와 일관된다.