[논문 리뷰] An Introduction to Proximal Causal Learning

Eric J. Tchetgen Tchetgen, Andrew Ying외 3명|arXiv (Cornell University)|2020. 09. 23.

Advanced Causal Inference Techniques참고 문헌 19인용 수 35

한 줄 요약

이 논문은 미측정 혼란에 대한 대리변수를 사용하여 관찰 데이터로부터 인과 효과를 식별하기 위해 proximal causal learning을 개발하고, proximal g-formula와 proximal g-computation algorithm을 도입한다.

ABSTRACT

A standard assumption for causal inference from observational data is that one has measured a sufficiently rich set of covariates to ensure that within covariate strata, subjects are exchangeable across observed treatment values. Skepticism about the exchangeability assumption in observational studies is often warranted because it hinges on investigators' ability to accurately measure covariates capturing all potential sources of confounding. Realistically, confounding mechanisms can rarely if ever, be learned with certainty from measured covariates. One can therefore only ever hope that covariate measurements are at best proxies of true underlying confounding mechanisms operating in an observational study, thus invalidating causal claims made on basis of standard exchangeability conditions. Causal learning from proxies is a challenging inverse problem which has to date remained unresolved. In this paper, we introduce a formal potential outcome framework for proximal causal learning, which while explicitly acknowledging covariate measurements as imperfect proxies of confounding mechanisms, offers an opportunity to learn about causal effects in settings where exchangeability on the basis of measured covariates fails. Sufficient conditions for nonparametric identification are given, leading to the proximal g-formula and corresponding proximal g-computation algorithm for estimation. These may be viewed as generalizations of Robins' foundational g-formula and g-computation algorithm, which account explicitly for bias due to unmeasured confounding. Both point treatment and time-varying treatment settings are considered, and an application of proximal g-computation of causal effects is given for illustration.

연구 동기 및 목표

• 관찰 인과 추론에서 미측정 혼란의 도전에 대해 동기를 부여하고 이를 형식화한다.
• 세 가지 유형으로 분류된 대리변수를 사용하는 proximal 프레임워크를 도입하여 식별을 가능하게 한다.
• 완전성 조건하에서 proximal g-formula를 통해 비모수적 식별 결과를 도출한다.
• 점 치료 및 시간에 따라 변화하는 치료에 대해 proximal g-computation 알고리즘을 통한 추정 방법을 개발한다.

제안 방법

• 대리변수의 유형 정의(type a: common causes; type b: treatment-inducing confounding proxies; type c: outcome-inducing confounding proxies).
• exchangeability를 대리변수와 완전성 조건으로 대체하는 proximal 식별 전략을 제시한다.
• Unmeasured confounding 설정에 대한 일반화된 Robins의 g-formula로서 proximal g-formula를 유도한다.
• 결과 교량 함수 h(a,x,w)가 인과 효과를 식별하기 위해 적분 방정식을 푸는 것을 제시한다.
• 일부 완전성 가정 하에서 비모수적 식별을 포함하여 proximal g-computation 알고리즘을 통해 추정이 가능함을 보인다.
• 대리변수 기반의 완전성 조건과 브리지 함수 조건에 따라 시간에 따라 변화하는 치료 및 종단 데이터로 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 exchangeability가 관찰된 공변량에 대해 실패할 때 인과 효과를 어떻게 식별할 수 있는가?
• RQ2 다른 유형의 대리변수를 사용하여 proximal g-formula를 통해 인과 효과를 회복할 수 있는가?
• RQ3 점 및 종단 설정에서 비모수적 식별에 필요한 완전성 및 브리지 함수 조건은 무엇인가?

주요 결과

• 대리변수의 유형 a, b, c로 분류되면 관찰된 공변량에 대해 exchangeability가 실패하는 경우에도 인과 효과를 식별할 수 있다.
• proximal g-formula는 대리변수를 통해 unmeasured confounding을 설명하기 위한 Robins의 g-formula의 일반화로 유도된다.
• 결과 교량 함수 h(a,x,w)는 인과 효과를 식별하기 위해 Fredholm 적분 방정식을 푼다.
• 완전성 조건 하에서 인과 효과 매개변수 beta(a)는 proximal g-formula를 통해 관찰 데이터의 함수로 비모수적으로 식별될 수 있다.
• 이 방법은 시간에 따라 변화하는 치료 및 종단 데이터로 확장되어 복잡한 종단 설정에 대한 근접적 식별 결과를 제공한다.