[논문 리뷰] On the Validity of Covariate Adjustment for Estimating Causal Effects

Ilya Shpitser, Tyler J. VanderWeele외 1명|arXiv (Cornell University)|2012. 03. 15.

Bayesian Modeling and Causal Inference참고 문헌 18인용 수 89

한 줄 요약

이 논문은 인과 추론에서 유효한 공변량 조정을 위한 완전한 그래픽 기준—조정 기준—을 수립한다. 이 기준은 무관측성 가정 하에 관찰 데이터로부터 인과 효과를 식별할 수 있도록 한다. 이 기준이 필수적이고도 충분함을 증명하여, 기존의 표준 회귀 또는 분层 방법이 편향 없는 인과 추정치를 도출할 수 있는지에 대한 오랫동안 지속된 모호함을 해결한다.

ABSTRACT

Identifying effects of actions (treatments) on outcome variables from observational data and causal assumptions is a fundamental problem in causal inference. This identification is made difficult by the presence of confounders which can be related to both treatment and outcome variables. Confounders are often handled, both in theory and in practice, by adjusting for covariates, in other words considering outcomes conditioned on treatment and covariate values, weighed by probability of observing those covariate values. In this paper, we give a complete graphical criterion for covariate adjustment, which we term the adjustment criterion, and derive some interesting corollaries of the completeness of this criterion.

연구 동기 및 목표

• 관찰 연구에서 공변량 조정이 인과 효과 추정치를 유효하게 만들 수 있는 조건에 대한 모호함을 해결하기 위해.
• 관측된 공변량을 조정할 때 인과 효과 추정에서 혼동 편향을 제거할 수 있는 조건을 체계화하기 위해.
• 유효한 조정 집합을 결정하기 위한 완전하고 계산 가능한 그래픽 기준을 제공하기 위해.
• 회귀 기반 및 분층 기반 인과 추론 방법의 이론적 기초를 명확히 하기 위해.
• 구조적 인과 모델 하에서 기존의 공변량 조정 접근법을 통합하고 일반화하기 위해.

제안 방법

• 방향 비순환 그래프(DAGs)에서 d-분리 기반의 그래픽 기준—조정 기준—을 개발한다.
• 치료와 결과 사이의 모든 후문 경로를 차단하는 공변량 집합을 유효한 조정 대상으로 정의한다.
• do-계산법과 d-분리를 사용하여 기준의 완전성과 정확성을 공식적으로 증명한다.
• 주어진 공변량 집합이 조정 기준을 만족하는지 확인하기 위한 재귀적 알고리즘을 도입한다.
• 편향 감소와 분산 균형을 고려하여 최소 및 최적의 조정 집합을 식별하기 위해 기준을 적용한다.
• 기준이 이전의 방법들—예를 들어 후문 기준—을 포함하고 일반화함을 보여준다.

실험 결과

연구 질문

• RQ1 관찰 데이터로부터 인과 효과를 추정하기 위해 관측된 공변량을 조정하는 것이 언제 유효한가?
• RQ2 어떤 그래픽 조건이 공변량 집합을 조정함으로써 혼동 편향을 제거함을 보장하는가?
• RQ3 모든 유효한 조정 집합을 결정할 수 있는 완전하고 계산 가능한 기준이 존재하는가?
• RQ4 제안된 조정 기준은 기존의 기준들—예를 들어 후문 기준—과 어떻게 관련되어 있으며 어떻게 일반화되는가?
• RQ5 이 기준을 사용하여 정밀도를 최적화하는 최소 조정 집합을 식별할 수 있는가?

주요 결과

• 조정 기준은 선형 및 비선형 구조적 인과 모델에서 유효한 공변량 조정을 위해 필수적이고도 충분하다.
• 기준은 후문 기준을 특수한 경우로 포함하며, 더 넓고 더 민감한 프레임워크를 제공한다.
• 논문은 공변량 집합이 치료와 결과 사이에서 d-분리하는 것과 동시에, 그 집합이 조정에 대해 유효한지 여부를 증명한다.
• 기준은 편향 없음을 유지하면서 분산을 줄이는 최소 조정 집합을 식별할 수 있도록 한다.
• 표준 DAG 알고리즘을 사용하여 유효한 조정 집합을 자동으로 검증할 수 있다.
• 결과는 인과 추론에서 일반적으로 사용되는 회귀 및 분층 접근법의 유효성에 관해 오랫동안 남아 있던 질문을 해결한다.