[논문 리뷰] Positivity: Identifiability and Estimability

Paul N. Zivich, Stephen R. Cole외 1명|arXiv (Cornell University)|2022. 07. 11.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 인과 추론에서 인구 내 모든 공변량 조합에 대해 치료의 비영확률을 보장하는 결정론적 정규성(deterministic positivity)과 유한 표본에서 비영확률 추정치를 확보하는 확률적 정규성(stochastic positivity)을 구분한다. 결정론적 정규성이 비모수적 식별성(nonparametric identifiability)을 보장하고, 확률적 정규성이 추정 가능성(estimability)을 필요로 함을 입증하며, 모델 기반 또는 머신러닝 접근 방식이 올바른 모델 가정 하에 확률적 정규성 위반을 완화할 수 있음을 보여준다.

ABSTRACT

Positivity, the assumption that every unique combination of confounding variables that occurs in a population has a non-zero probability of an action, can be further delineated as deterministic positivity and stochastic positivity. Here, we revisit this distinction, examine its relation to nonparametric identifiability and estimability, and discuss how to address violations of positivity assumptions. Finally, we relate positivity to recent interest in machine learning, as well as the limitations of data-adaptive algorithms for causal inference. Positivity may often be overlooked, but it remains important for inference.

연구 동기 및 목표

• 인과 추론에서 결정론적 정규성와 확률적 정규성의 차이를 명확히 하는 것.
• 결정론적 정규성이 비모수적 식별성을 보장하고, 확률적 정규성이 추정 가능성을 보장하는 방식을 검토하는 것.
• 모델 기반 또는 데이터 적응형 방법을 사용하여 관찰 연구에서 정규성 가정 위반 문제를 다루는 것.
• 머신러닝 알고리즘의 유연성에도 불구하고 확률적 정규성 위반을 다루는 데서의 한계를 평가하는 것.
• epidemiological 연구에서 자주 간과되는 기초 가정인 정규성의 중요성을 강조하는 것.

제안 방법

• 결정론적 정규성을 Z의 지지체 내 모든 z에 대해 Pr(A=a|Z=z) ≥ ε > 0 이라는 하한선으로 정의하여 식별성을 보장한다.
• 확률적 정규성을 표본 크기 n 내에서 관측된 모든 z에 대해 Pr̂n(A=a|Z=z) > 0 라는 조건으로 정의하여 추정 가능성을 보장한다.
• 비모수적 역확률가중치(IPW) 추정기의 사례를 통해 확률적 정규성 위반이 발생할 경우 나눗셈에 영향을 미치는 것을 보여준다.
• Pr(A|Z)에 대한 구조를 부여하여 0에 가까운 확률 추정치를 피하기 위해 파라미터 모델(예: 로지스틱 회귀)을 제안한다.
• 최소 잎 크기 등의 하이퍼파rameter 조정을 통해 확률적 스코어 추정치가 0이 되는 것을 방지하기 위해 머신러닝 방법(예: 랜덤 포레스트)을 평가한다.
• 유연한 알고리즘조차도 추정 가능성을 확보하기 위해 사전 제약 조건이 필요함을 보여주며, 특히 고차원 설정에서 그러한 필요성이 높아진다.

실험 결과

연구 질문

• RQ1 결정론적 정규성와 확률적 정규성이 인과 식별과 추정에서 수행하는 역할이 어떻게 다른가?
• RQ2 비모수적 추정기(예: IPW)에서 확률적 정규성 위반이 초래하는 결과는 무엇인가?
• RQ3 파라미터 모델 또는 머신러닝 알고리즘이 확률적 정규성 위반을 효과적으로 해결할 수 있는가?
• RQ4 왜 결정론적 정규성이 비모수적 식별성을 위해 필수적인 반면, 확률적 정규성이 추정 가능성을 위해 요구되는가?
• RQ5 랜덤 포레스트와 같은 데이터 적응형 알고리즘이 추가 모델링 가정 없이도 정규성 문제를 극복할 수 있는 정도는 어느 정도인가?

주요 결과

• 결정론적 정규성이 존재할 경우 잠재적 결과가 모든 공변량 패턴에 대해 정의되어 있으므로 평균 인과효과는 비모수적으로 식별 가능하다.
• 확률적 정규성이 추정 가능성을 위해 필수적이며, 이는 비모수적 IPW와 같은 추정기에서 나눗셈에 0이 발생함으로써 정의되지 않게 되는 결과를 초래한다.
• 큰 표본 크기에도 불구하고 고차원 공변량 공간에서 희소하거나 관측 수가 0인 셀이 존재할 경우 확률적 정규성이 실패할 수 있다.
• 로지스틱 회귀와 같은 파라미터 모델은 Pr(A|Z)에 대한 구조를 도입함으로써 0에 가까운 확률 추정치를 피하고 추정 가능성을 복원할 수 있다.
• 최소 잎 크기 등의 하이퍼파rameter가 너무 엄격할 경우, 랜덤 포레스트와 같은 머신러닝 알고리즘도 여전히 0에 가까운 확률 추정치를 생성할 수 있으므로 사전 제약 조건이 필요하다.
• 결정론적 정규성과 확률적 정규성의 차이는 핵심적이다: 결정론적 위반이 식별성을 무효화하지만, 확률적 위반은 오직 추정 가능성을 무효화할 뿐이며, 실무에서는 둘 다 평가되어야 한다.