[논문 리뷰] Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds

Jiannan Lu, Peng Ding외 1명|arXiv (Cornell University)|2015. 07. 06.

Advanced Causal Inference Techniques참고 문헌 49인용 수 9

한 줄 요약

이 논문은 부분 식별 조건 하에서 잠재 결과의 주변분포로부터 유도된 날카운 경계를 사용하여 순서형 결과에 대한 두 가지 인과적 추정량—치료의 이점 확률 및 엄격한 이점—을 제안한다. 이 경계에 대한 닫힌 형태의 표현식을 제공함으로써 강력한 모수적 가정 없이도 무작위 실험, 관찰 연구 및 비준수 설정에서 견고한 추론이 가능해진다.

ABSTRACT

Assessing the causal effects of interventions on ordinal outcomes is an important objective of many educational and behavioral studies. Under the potential outcomes framework, we can define causal effects as comparisons between the potential outcomes under treatment and control. However, unfortunately, the average causal effect, often the parameter of interest, is difficult to interpret for ordinal outcomes. To address this challenge, we propose to use two causal parameters, which are defined as the probabilities that the treatment is beneficial and strictly beneficial for the experimental units. However, although well-defined for any outcomes and of particular interest for ordinal outcomes, the two aforementioned parameters depend on the association between the potential outcomes, and are therefore not identifiable from the observed data without additional assumptions. Echoing recent advances in the econometrics and biostatistics literature, we present the sharp bounds of the aforementioned causal parameters for ordinal outcomes, under fixed marginal distributions of the potential outcomes. Because the causal estimands and their corresponding sharp bounds are based on the potential outcomes themselves, the proposed framework can be flexibly incorporated into any chosen models of the potential outcomes, and are directly applicable to randomized experiments, unconfounded observational studies, and randomized experiments with noncompliance. We illustrate our methodology via numerical examples and three real-life applications related to educational and behavioral research.

연구 동기 및 목표

• 순서형 결과에서 평균 인과효과의 해석이 부정확한 데서 비롯되는 과제를 해결하기 위해, 평균이 실질적인 의미를 갖지 못하는 상황에서의 평균 인과효과를 해석하는 데 초점한다.
• 단위들이 치료에 유익하거나 엄격히 유익한 확률이라는 해석이 가능한 두 가지 인과적 파라미터를 제안한다.
• 잠재 결과의 주변분포만을 사용하여 이러한 파라미터에 대한 날카운 경계를 유도함으로써 연관성에 대한 검증할 수 없는 가정을 피한다.
• 무작위 실험, 관찰 연구, 비준수 설정을 포함한 다양한 연구 설계에 적용 가능하도록 한다.
• 경계에 대한 닫힌 형태의 표현식을 제공함으로써 수치적 방법에 비해 해석 가능성과 계산의 실현 가능성을 향상시킨다.

제안 방법

• 잠재 결과 기반으로 두 가지 인과적 추정량인 τ(치료가 유익한 확률)와 η(치료가 엄격히 유익한 확률)를 정의한다.
• 잠재 결과의 고정된 주변분포 하에서 선형 프로그래밍을 사용하여 τ와 η에 대한 날카운 경계를 유도한다.
• 잠재 결과 간의 연관성에 대한 가정 없이도 파라미터를 경계 짓기 위해 부분 식별 프레임워크를 적용한다.
• 공변수와 비준수 정보를 통합하여 경계를 정교화하고 추론 정밀도를 향상시킨다.
• 경계에 대한 닫힌 형태의 표현식을 도출하여 이전의 수치적 접근 방식에 비해 분석적 유연성을 제공한다.
• 수치적 예시와 교육 및 노동 경제학 분야의 세 가지 실제 적용 사례를 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 평균 치료효과가 실질적으로 모호한 상황에서 순서형 결과에 대한 인과효과는 어떻게 의미 있게 정의할 수 있는가?
• RQ2 잠재 결과의 주변분포만이 주어졌을 때, 치료가 유익하거나 엄격히 유익한 확률에 대한 날카운 경계는 무엇인가?
• RQ3 공변수 또는 비준수 정보를 통합할 경우, 치료 이점 확률의 경계 정밀도는 어떻게 향상되는가?
• RQ4 날카운 경계에 대한 닫힌 형태의 표현식을 분석적으로 유도할 수 있으며, 이는 수치적 방법과 비교해 어떻게 다를 수 있는가?
• RQ5 제안된 추정량과 경계는 교육 및 행동 결과를 포함한 실제 응용에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 인과적 추정량 τ와 η는 정책 및 의사결정에 직접적으로 관련된 해석 가능성이 높으며, 순서형 결과 연구에서 유용하다.
• 직업 훈련 프로그램(Jobs Corps)의 경우, 70% 이상의 참가자들이 프로그램으로 인해 시간급여가 감소하지 않았으며, τ에 대한 95% 신뢰구간은 공변수 없이 0.536에서 0.938, 공변수를 포함하면 0.570에서 0.932였다.
• 약 20%~30%의 참가자들이 프로그램으로 인해 급여가 엄격히 증가했으며, η에 대한 95% 신뢰구간은 공변수 없이 0.199에서 0.363, 공변수 포함 시 0.180에서 0.331였다.
• 비준수 정보를 통합함으로써 τ의 하한선은 0.558에서 0.683으로 향상되었고, η의 상한선은 0.379에서 0.254로 감소하여 추론 정밀도가 향상되었다.
• 공변수의 포함으로 τ와 η에 대한 신뢰구간이 좁아졌으며, 이는 경계 추정의 정밀도 향상을 시사한다.
• 날카운 경계에 대한 닫힌 형태의 표현식이 도출되었으며, 이는 수치적 방법에 비해 분석적 우월성을 제공하고 순서형 결과의 인과추론에 더 넓은 적용 가능성을 제공한다.