[논문 리뷰] Incremental causal effects

Dominik Rothenhaüsler, Bin Yu|arXiv (Cornell University)|2019. 07. 30.

Advanced Causal Inference Techniques참고 문헌 34인용 수 5

한 줄 요약

이 논문은 연속적 치료에 대해 평균 치료 효과의 대체로 타겟된 대안으로 증분 원인 효과를 제안하며, 局소 무시 가능성과 오버랩 조건 하에서 식별 가능하다고 보여준다. 증분 효과는 평균 도함수를 통해 추정될 수 있으며, 혼란 요인에 더 강건하고 유한 표본에서 평균 치료 효과보다 더 낮은 渐近 분산을 가지며, 고차원 설정에서는 이중 강건 추정기법이 제안된다.

ABSTRACT

Causal evidence is needed to act and it is often enough for the evidence to point towards a direction of the effect of an action. For example, policymakers might be interested in estimating the effect of slightly increasing taxes on private spending across the whole population. We study identifiability and estimation of causal effects, where a continuous treatment is slightly shifted across the whole population (termed average partial effect or incremental causal effect). We show that incremental effects are identified under local ignorability and local overlap assumptions, where exchangeability and positivity only hold in a neighborhood of units. Average treatment effects are not identified under these assumptions. In this case, and under a smoothness condition, the incremental effect can be estimated via the average derivative. Moreover, we prove that in certain finite-sample observational settings, estimating the incremental effect is easier than estimating the average treatment effect in terms of asymptotic variance. For high-dimensional settings, we develop a simple feature transformation that allows for doubly-robust estimation and inference of incremental causal effects. Finally, we compare the behaviour of estimators of the incremental treatment effect and average treatment effect in experiments including data-inspired simulations.

연구 동기 및 목표

• 정책적으로 관련성이 있는 질문에 대해 작은 연속적 치료 변화에 대한 평균 치료 효과의 한계를 해결한다.
• 관찰 연구에서 증분 원인 효과를 위한 더 약한 식별 가정—국소 무시 가능성과 국소 오버랩—을 설정한다.
• 평균 치료 효과와 달리, 이러한 더 약한 가정 하에서 증분 효과가 식별 가능하고 추정 가능하다는 것을 보여준다.
• 유한 표본 설정에서 증분 효과 추정의 渐近 분산이 평균 치료 효과 추정보다 낮다는 것을 보여준다.
• 특징 변환과 반모수 효율 이론을 사용하여 고차원, 이중 강건 추정기법을 개발한다.

제안 방법

• 증분 원인 효과를 무한소의 치료 변화에 따른 기대 결과의 차이의 극한으로 정의한다: $\mathbb{E}[Y(T+\delta)] - \mathbb{E}[Y(T)]$ (작은 $\delta > 0$).
• 국소 무시 가능성 도입: 각 단위의 관측된 치료 값 주변에서 잠재 결과가 치료와 조건부로 독립적이다.
• 국소 오버랩 정의: 각 단위의 주변에서 조건부 치료 밀도가 0에서 멀리 떨어져 있다.
• 국소 무시 가능성과 국소 오버랩 하에서 증분 효과의 식별성을 보장하며, 조건부 평균 함수 $\mathbb{E}[Y|X,T]$의 평균 도함수를 사용한다.
• 특징을 변환하여 $\partial_t \mathbb{E}[Y|X,T]$를 포함하고, 역확률가중법과 결과 회귀를 사용하여 이중 강건 추정기법을 제안한다.
• 반모수 효율 한계를 유도하며, 점수 함수의 모형이 올바르게 지정되었을 때 분산이 최소화됨을 보여준다.

실험 결과

연구 질문

• RQ1 평균 치료 효과가 요구하는 것보다 더 약한 가정 하에서 증분 원인 효과가 식별 가능한가?
• RQ2 유한 표본 관찰 설정에서 증분 효과 추정기의 渐近 분산은 평균 치료 효과 추정기의 것보다 어떻게 비교되는가?
• RQ3 혼란 요인이 증분 효과 추정에 어떤 영향을 미치며, 소규모 혼란 요인에 대해 얼마나 강건한가?
• RQ4 특징 변환을 통해 고차원, 이중 강건 추정기법을 증분 원인 효과에 대해 구성할 수 있는가?
• RQ5 제안된 모형 가정 하에서 증분 원인 효과 추정의 반모수 효율 한계는 무엇인가?

주요 결과

• 국소 무시 가능성과 국소 오버랩 하에서 증분 원인 효과는 식별 가능하지만, 평균 치료 효과는 그렇지 않다.
• 부드러움과 국소 양성 조건 하에서 증분 효과는 조건부 평균 함수의 평균 도함수를 통해 일致적으로 추정될 수 있다.
• 유한 표본 관찰 설정에서 증분 효과 추정의 渐近 분산은 평균 치료 효과 추정보다 낮다.
• 논문은 증분 효과 추정이 소수의 인구 집단에서 혼란 요인이 존재하더라도 안정됨을 보여주는 유병률 민감도 경계를 도출한다.
• 특징 변환을 통해 문제를 알려진 점수 함수를 가진 선형 모형으로 변환함으로써 고차원 증분 효과에 대한 이중 강건 추정기법을 구성한다.
• 증분 효과 추정의 반모수 효율 한계는 $\text{Var}(\partial_t f^0) + \text{Var}(\epsilon \cdot \partial_t \log p(T|X))$로 유도되며, 최적의 추정기법은 이 한계에 도달한다.