[논문 리뷰] On a Class of Bias-Amplifying Variables that Endanger Effect Estimates

Judea Pearl|arXiv (Cornell University)|2012. 03. 15.

Advanced Causal Inference Techniques참고 문헌 17인용 수 37

한 줄 요약

이 논문은 인과적 효과 추정에서 조건화할 경우 오차를 증폭시키는 변수의 집합을 특정한다. 이는 산술 변수와 처리 선택에 대해 결과보다 더 강한 영향을 미치는 변수들을 포함한다. 이 논문은 이러한 변수들이 선형 및 비선형 모델 모두에서 오차를 악화시킬 수 있음을 보여주며, 이는 이전에 오차가 없었던 곳에 새로운 오차를 도입할 수도 있다. 또한 이러한 변수들이 선택 유도 오차를 완화하지 못한다는 점을 보여준다.

ABSTRACT

This note deals with a class of variables that, if conditioned on, tends to amplify confounding bias in the analysis of causal effects. This class, independently discovered by Bhattacharya and Vogt (2007) and Wooldridge (2009), includes instrumental variables and variables that have greater influence on treatment selection than on the outcome. We offer a simple derivation and an intuitive explanation of this phenomenon and then extend the analysis to non linear models. We show that: 1. the bias-amplifying potential of instrumental variables extends over to non-linear models, though not as sweepingly as in linear models; 2. in non-linear models, conditioning on instrumental variables may introduce new bias where none existed before; 3. in both linear and non-linear models, instrumental variables have no effect on selection-induced bias.

연구 동기 및 목표

• 인과적 효과 추정에서 조건화할 경우 오차를 증폭시키는 변수를 특정하고 특성화하는 것.
• 도구 변수와 결과보다 처리 선택에 더 강한 영향을 미치는 변수가 오차 증폭에서 특히 위험한 이유를 설명하는 것.
• 선형 모델을 초월해 비선형 환경으로의 오차 증폭 분석을 확장하는 것.
• 이러한 변수들이 선택 유도 오차를 감소시키지 못하는 조건을 명확히 하는 것.
• 특정 변수들을 조건화할 경우 인과 효과 추정이 악화되는 방식과 이유를 직관적이고 형식적으로 이해하는 것.

제안 방법

• 구조적 인과 모델과 반사적 추론을 사용하여 오차 증폭 효과를 유도한다.
• 처리 선택에 미치는 영향과 결과에 미치는 영향을 분석하여 변수들의 오차 증폭 잠재력을 분류한다.
• 선형 및 비선형 구조 모델에 프레임워크를 적용하여 오차 행동을 비교한다.
• 반사적 분산 분해를 사용하여 특정 변수를 조건화할 경우 전체 오차에 기여하는 기여도를 분리한다.
• 비선형 모델에서 도구 변수를 조건화하면, 이전에 오차가 없었더라도 오차가 도입될 수 있음을 보여준다.
• 선형 및 비선형 환경에서 오차 증폭 변수의 행동을 비교하여, 비선형 케이스에서는 증폭이 덜 광범위하다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 인과 추론에서 조건화할 경우 오차를 가장 크게 증폭시키는 변수의 유형은 무엇인가?
• RQ2 선형 및 비선형 구조 모델 간 오차 증폭 효과는 어떻게 다를까?
• RQ3 도구 변수를 조건화하면 이전에 오차가 없었더라도 새로운 오차를 도입할 수 있는가?
• RQ4 오차 증폭 변수가 선택 유도 오차를 감소시키지 못하는 조건은 무엇인가?
• RQ5 어떤 변수들이 효과 추정에서 오차의 크기를 증가시키는지에 대한 직관적이고 형식적인 메커니즘은 무엇인가?

주요 결과

• 도구 변수는 선형 및 비선형 모델 모두에서 오차를 증폭시키며, 비선형 케이스에서는 그 영향이 덜 두드러진다.
• 처리 선택에 결과보다 더 강한 영향을 미치는 변수를 조건화하면, 조정하지 않은 경우보다 더 큰 오차로 이어질 수 있다.
• 비선형 모델에서는 도구 변수를 조건화함으로써 이전에 오차가 없었더라도 오차가 도입될 수 있다. 이는 측정되지 않은 혼란 요인이 없더라도 마찬가지다.
• 오차 증폭 변수는 선택 유도 오차를 감소시키지 못하며, 조정 전략에서 일부 기대와는 반대로 행동한다.
• 오차 증폭 효과는 특정 변수들이 처리 배정에 대해 결과보다 더 강한 영향을 미치는 데 기반한다.
• 이 현상은 반사적 분산 분해를 통해 형식적으로 설명되며, 조건화가 효과 추정에서 오차의 분산을 증가시킨다는 것을 보여준다.