[논문 리뷰] Estimation of causal effects with small data in the presence of trapdoor variables

Jouni Helske, Santtu Tikka외 1명|arXiv (Cornell University)|2020. 03. 06.

Advanced Causal Inference Techniques참고 문헌 61인용 수 7

한 줄 요약

이 논문은 원인 모델에서 암묵적 기능적 제약 조건을 유도하는 잠재 변수인 트랩도어 변수의 개념을 제안한다. 이는 작은 표본에서 원인 효과 추정기를 편향시키는 요소이다. 본 논문은 트랩도어 변수의 조건부 샘플링을 통한 베이지안 추정을 제안하여 편향을 줄이며, 핀란드의 라이프 코스 연구에서의 실제 데이터와 시뮬레이션을 통해 간섭 변수를 고려한 트랩도어 변수의 분포에 조건부로 조건을 설정할 경우, 주변 샘플링보다 더 정확한 원인 효과 추정을 얻을 수 있음을 보여준다.

ABSTRACT

We consider the problem of estimating causal effects of interventions from observational data when well-known back-door and front-door adjustments are not applicable. We show that when an identifiable causal effect is subject to an implicit functional constraint that is not deducible from conditional independence relations, the estimator of the causal effect can exhibit bias in small samples. This bias is related to variables that we call trapdoor variables. We use simulated data to study different strategies to account for trapdoor variables and suggest how the related trapdoor bias might be minimized. The importance of trapdoor variables in causal effect estimation is illustrated with real data from the Life Course 1971-2002 study. Using this dataset, we estimate the causal effect of education on income in the Finnish context. Bayesian modelling allows us to take the parameter uncertainty into account and to present the estimated causal effects as posterior distributions.

연구 동기 및 목표

• 트랩도어 변수를 식별하고 분석한다—즉, 작은 표본에서 원인 효과 추정기를 편향시키는 암묵적 기능적 제약 조건을 유도하는 변수들.
• 백도어 및 프론트도어 조정이 적용되지 않는 원인 모델에서 트랩도어 변수를 고려한 추정 전략을 개발하고 평가한다.
• 핀란드의 라이프 코스 1971–2002 연구에서의 실제 데이터를 사용하여 트랩도어 편향의 실질적 영향을 보여준다.
• 특히 조건부 샘플링 대비 주변 샘플링과의 비교를 통해, 베이지안 원인 추정에서 트랩도어 변수를 다루는 다양한 전략의 성능을 비교한다.

제안 방법

• 간섭 변수를 조건으로 삼은 트랩도어 변수의 조건부 분포를 모델링하여 트랩도어 변수를 포함하는 원인 추론을 위한 베이지안 프레임워크를 제안한다.
• 4개의 체인을 사용하고, 웜업 이후 100,000회의 반복을 수행하는 마르코프 체인 몬테카를로(MCMC) 샘플링을 통해 원인 효과의 사후 분포를 추정한다.
• 합성 및 실제 세계 모델 모두에서 트랩도어 변수를 고려하기 위해 특수한 몬테카를로 접근법을 적용한다.
• 식별 가능성을 가정할 때, 도-계산법과 식별 함수를 사용하여 관찰 데이터에서 간섭 분포를 유도한다.
• 두 가지 전략을 비교한다: 트랩도어 변수를 그 주변 분포 P(Z)에서 샘플링하는 것과 간섭 변수 및 혼란 변수(s, g)를 조건으로 삼은 조건부 분포 P(Z|x,s,g)에서 샘플링하는 것.
• 재현 가능성을 위해 R과 ggplot2 패키지를 사용하여 시각화를 수행하고, GitHub에 오픈소스 코드를 제공한다.

실험 결과

연구 질문

• RQ1 암묵적 기능적 제약 조건에 의해 유도되는 트랩도어 변수는 작은 표본 설정에서 원인 효과 추정기를 어떻게 편향시키는가?
• RQ2 트랩도어 변수를 다루는 다양한 전략(예: 조건부 샘플링 대비 주변 샘플링)이 원인 효과 추정의 정확성에 어떤 영향을 미치는가?
• RQ3 작은 표본 크기에서 선형-가우시안 모델과 비선형 모델에선 트랩도어 편향이 어떻게 나타나는가?
• RQ4 실제 원인 모델에서 표준 접근 방식에 비해 조건부 트랩도어 샘플링을 통한 베이지안 추정이 편향을 줄일 수 있는가?
• RQ5 복잡한 실제 데이터, 예를 들어 라이프 코스 연구와 같은 경우에서 원인 효과 추정은 트랩도어 변수 다루기 전략의 선택에 얼마나 민감한가?

주요 결과

• 간섭 변수 X와 혼란 변수(s, g)를 조건으로 삼은 트랩도어 변수 Z의 조건부 조건 설정은 주변 샘플링보다 더 정확한 원인 효과 추정을 제공한다. 최고 교육 수준에서의 평균 소득 추정치는 주변 샘플링 시 26,600 유로에서 조건부 샘플링 시 29,500 유로로 상승한다.
• 최고 교육 수준에서의 사후 중앙값 소득 추정치는 조건부 전략 하에서 253 백 유로(25,300 유로), 주변 전략 하에서는 226 백 유로(22,600 유로)였다.
• 평균 소득 추정치의 사후 표준편차는 조건부 전략 하에서 22 백 유로(2,200 유로)였으며, 이는 더 높은 불확실성임을 나타내지만 더 신뢰할 수 있는 중심 추정치를 제공한다.
• 시뮬레이션 결과는 트랩도어 편향이 작은 표본에서 상당히 크며, 모수적 가정과 추정기 성질에 따라 달라지며, 조건부 샘플링이 주변 샘플링보다 성능이 뛰어나다는 것을 보여주었다.
• 연구 결과, 트랩도어 변수가 적절히 조건부로 설정되지 않으면, 특히 비선형 및 비가우시안 모델에서 원인 효과가 과소평가될 수 있음을 발견하였다.
• 저자들은 트랩도어 변수를 다루기 위해 여러 전략을 사용하고, 이러한 선택에 대한 민감도를 보고하는 것을 원인 추론의 표준 관행으로 권장한다.