[논문 리뷰] Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding

Nathan Kallus, Xiaojie Mao외 1명|arXiv (Cornell University)|2018. 10. 05.

Advanced Causal Inference Techniques인용 수 33

한 줄 요약

이 논문은 관측되지 않은 혼란인자에 의한 조건부 평균 치료 효과(CATE) 추정을 위해, 경계 민감도 모델 내에서 적대적 가중치를 갖는 커널 회귀를 사용하는 날카운 기능적 간격 추정기법을 제안한다. 이 방법은 개인 수준의 인과 효과에 대해 渐진적으로 날카운 경계를 제공하며, 무관측 혼란인자가 존재할 경우에도 최소최대 최적의 개인 맞춤 의사결정 규칙을 가능하게 한다.

ABSTRACT

We study the problem of learning conditional average treatment effects (CATE) from observational data with unobserved confounders. The CATE function maps baseline covariates to individual causal effect predictions and is key for personalized assessments. Recent work has focused on how to learn CATE under unconfoundedness, i.e., when there are no unobserved confounders. Since CATE may not be identified when unconfoundedness is violated, we develop a functional interval estimator that predicts bounds on the individual causal effects under realistic violations of unconfoundedness. Our estimator takes the form of a weighted kernel estimator with weights that vary adversarially. We prove that our estimator is sharp in that it converges exactly to the tightest bounds possible on CATE when there may be unobserved confounders. Further, we study personalized decision rules derived from our estimator and prove that they achieve optimal minimax regret asymptotically. We assess our approach in a simulation study as well as demonstrate its application in the case of hormone replacement therapy by comparing conclusions from a real observational study and clinical trial.

연구 동기 및 목표

• 관측되지 않은 혼란인자가 존재하여 무관측성 조건이 성립하지 않을 경우 개인 수준의 인과 효과를 추정하는 데 도전하는 문제를 다루기 위해.
• 실제 민감도 모델에서 적용 가능한 날카운 점근적 날카로운 경계를 제공하는 기능적 간격 추정기법을 개발하기 위해.
• 추정된 경계에서 파생된 최소최대 최적 정책을 통해 불확실성 하에서 개인 맞춤 의사결정을 가능하게 하기 위해.
• 호르몬 대체 요법에 대한 실세계 응용과 시뮬레이션을 통해 방법의 실증적 타당성을 검증하기 위해.

제안 방법

• 각 단위별로 변하는 적대적 가중치를 갖는 가중치 커널 회귀 추정기법을 사용하여 관측되지 않은 혼란인자의 영향을 반영한다.
• 경계 민감도 모델(MSM)을 사용하여 관측되지 않은 혼란인자의 영향이 치료 배정에 미치는 오즈 비율을 제한한다.
• 잠재 결과와 공변수의 결합 분포에 대한 제약 조건을 갖는 최적화 문제를 해결하여 인구 수준의 CATE 경계를 유도한다.
• 정렬 및 선형 탐색 절차를 통해 효율적으로 추정기법을 계산하여 실용적 구현을 가능하게 한다.
• 관측된 공변수의 부분 집합에 조건을 두어 부분 CATE 추정으로 프레임워크를 확장한다.
• CATE 간격의 상한과 하한에 기반한 개인 맞춤 의사결정 규칙을 유도하여 점근적으로 최소최대 손실 최적성을 확보한다.

실험 결과

연구 질문

• RQ1 무관측성 조건이 위반되었을 때도 개인 수준의 인과 효과에 대해 날카우며 비보수적인 경계를 구성할 수 있는가?
• RQ2 무관측 혼란인자를 CATE 추정에 통합하면서도 통계적 효율성과 해석 가능성은 유지할 수 있는가?
• RQ3 이러한 경계에서 유도된 개인 맞춤 치료 규칙이 유한 표본에서 최소최대 손실 최적성을 달성할 수 있는가?
• RQ4 실세계 관측 데이터에서 숨겨진 혼란인자가 존재할 경우 제안된 경계는 난이도 있는 CATE 추정치와 어떻게 비교되는가?

주요 결과

• 제안된 간격 추정기법은 가정된 민감도 모델 하에서 CATE 함수에 대해 가능한 가장 날카운 경계로 점근적으로 수렴하여 날카로움을 보장한다.
• 정렬 및 선형 탐색 알고리즘을 통해 효율적인 계산이 가능하여 중간 크기의 표본에 대해 확장 가능한 성능을 발휘한다.
• 경계에서 파생된 개인 맞춤 의사결정 규칙은 민감도 모델 하에서 점근적으로 최소최대 손실 최적성을 달성한다.
• 호르몬 대체 요법에 대한 시뮬레이션과 실세계 분석에서, 이 방법은 난이도 있는 혼란 추정치보다 훨씬 작은 이점 영역을 정확히 식별하며 임상 시험 결과와 일치한다.
• 진짜 성향 스코어가 가정이 아닌 데이터로부터 학습되더라도, 그리고 공변수에 따라 혼란이 비균일하게 작용하더라도 경계는 여전히 강건하다.