[논문 리뷰] Nonparametric identification and efficient estimation of causal effects with instrumental variables

Alexander W. Levis, Edward H. Kennedy외 1명|arXiv (Cornell University)|2024. 02. 14.

Statistical Methods and Inference인용 수 5

한 줄 요약

이 논문은 여러 가지 가법적 인과 대비(ATE, CATE, LATE, ATT)에 대한 도구변수 하의 비모수 식별을 조사하고, 효율적이며 DRML 기반 추정기를 개발하며, REFLUX 및 시장 참여 연구에서의 사례를 제시한다.

ABSTRACT

Instrumental variables are widely used in econometrics and epidemiology for identifying and estimating causal effects when an exposure of interest is confounded by unmeasured factors. Despite this popularity, the assumptions invoked to justify the use of instruments differ substantially across the literature. Similarly, statistical approaches for estimating the resulting causal quantities vary considerably, and often rely on strong parametric assumptions. In this work, we compile and organize structural conditions that nonparametrically identify conditional average treatment effects, average treatment effects among the treated, and local average treatment effects, with a focus on identification formulae invoking the conditional Wald estimand. Moreover, we build upon existing work and propose nonparametric efficient estimators of functionals corresponding to marginal and conditional causal contrasts resulting from the various identification paradigms. We illustrate the proposed methods on an observational study examining the effects of operative care on adverse events for cholecystitis patients, and a randomized trial assessing the effects of market participation on political views.

연구 동기 및 목표

• 도구변수를 통해 조건부 평균 처리효과, 처리된 대상자의 평균 처리효과, 그리고 국소 평균 처리효과를 비모수적으로 식별하는 구조적 조건을 검토한다.
• 다양한 식별 패러다임에서 주변 인과 대비와 조건부 인과 대비에 대응하는 함수적 값들을 비모수적으로 효율적으로 추정하는 방법을 개발한다.
• 샘플 분할을 포함하는 이중 강건 머신러닝 기반의 통합 추정 프레임워크를 제공한다.
• GORD REFLUX 관찰 연구와 정치적 견해에 대한 무작위 시장 참여 연구를 통해 방법을 설명한다.

제안 방법

• 관련성, 무편향성, 배제(제외) 조건 등 핵심 IV 가정을 모으고 식별에서의 역할을 체계화한다.
• 다중 구조 모델하에서 서로 다른 목표 estimand에 대한 식별식(예: 조건부 Wald 추정량)을 도출한다.
• 효율적 영향 함수(efficient influence functions)를 이용한 비모수적 효율 추정기를 이중 강건 머신러닝 프레임워크 내에서 제안한다.
• 혼란 구성요소의 머신러닝 추정을 빠른 수렴을 달성하는 추정기와 결합하기 위해 샘플 분할을 활용한다.
• 하나의 공통 DRML 접근법으로 ATE, CATE, LATE, ATT 간의 추정을 통합한다.

실험 결과

연구 질문

• RQ1 IV 설정에서 가법적 인과 대비(ATE, CATE, ATT, LATE)의 점 식별을 가능하게 하는 식별 조건은 무엇인가?
• RQ2 동질성 및 단조성 가정의 차이가 식별 대상과 해석에 어떻게 영향을 미치는가?
• RQ3 일원 DRML 프레임워크를 사용하여 이러한 estimand에 대한 비모수적 효율 추정기를 구성할 수 있는가?
• RQ4 이러한 방법들이 REFLUX와 시장 참여 연구와 같은 구체적 응용에서 어떻게 성능을 발휘하는가?

주요 결과

• 핵심 IV 가정 아래 CATE를 식별하는 여러 식별 전략이 존재하며, 상수 가법 효과나 더 약한 무측정 혼란변수 상호작용 부재를 포함한다.
• 조건부 Wald 추정량 Psi_P(X)가 모든 estimand에서 중심적 역할을 하며, 적절한 모델에서 CATE 또는 ATE를 식별할 수 있다.
• 더 약한 가정들(U-A가 Y에 대한 상호작용 부재, U-Z가 A에 대한 상호작용 부재, 또는 공변량-조건부 독립성의 약한 형태)을 통해서도 Psi_P(X)를 통해 CATE 식별이 가능하다.
• 영향 함수 기반 추정기가 포함된 통합 DRML 프레이워크는 노이즈 구성요소의 유연한 머신러닝 하에 비모수적 효율성을 제공한다.
• 실증적 일러스트레이션은 이 프레임워크가 비순응이 있는 REFLUX 시험과 정치적 견해에 대한 시장 참여 연구에 어떻게 적용되는지 보여준다.