[논문 리뷰] Causal Bounds and Instruments

Roland R. Ramsahai|arXiv (Cornell University)|2012. 06. 20.

Bayesian Modeling and Causal Inference참고 문헌 17인용 수 7

한 줄 요약

이 논문은 선형성 가정 없이 산술 변수를 사용하여 인과 효과에 대한 비모수적 경계를 개발한다. 이는 이변량 데이터 (C,A)와 (B,A)에 대한 볼록 다면체 분석을 통해 B가 C에 미치는 인과 효과를 추정한다. 이 방법은 C, B, A의 전체 연합 데이터가 가용하지 않은 경우 잠재 공액요인 존재하는 설정에서 인과 추론을 가능하게 하며, 특정 조건 하에서 DAG에 적용 가능한 일반화된 산술 변수 방법의 일반화이다.

ABSTRACT

Instrumental variables have proven useful, in particular within the social sciences and economics, for making inference about the causal effect of a random variable, B, on another random variable, C, in the presence of unobserved confounders. In the case where relationships are linear, causal effects can be identified exactly from studying the regression of C on A and the regression of B on A, where A is the instrument. In the more general case, bounds have been developed in the literature for the causal effect of B on C, given observational data on the joint distribution of C, B and A. Using an approach based on the analysis of convex polytopes, we develop bounds for the same causal effect when given data on (C,A) and (B,A) only. The bounds developed are thus in direct analogy to the standard use of instruments in econometrics, but we make no assumption of linearity. Use of the bounds is illustrated for experiments with partial compliance. The bounds are, for example, relevant in genetic epidemiology, where the 'Mendelian instrument' S represents a genotype, and where joint data on all of C, B and A may rarely be available but studies involving pairs of these may be abundant. Other examples of bounding causal effects are considered to show that the method applies to DAGs in general, subject to certain conditions.

연구 동기 및 목표

• C, B, A의 전체 연합 데이터가 가용하지 않은 경우 B가 C에 미치는 영향에 대한 인과 경계를 개발하기 위해.
• 선형 모델을 초월하여 일반 비모수적 설정에까지 확장된 산술 변수 방법을 확장하기 위해.
• (C,A)와 (B,A)의 관찰 데이터만을 사용하여 잠재 공액요인 존재하는 상황에서의 인과 추론을 위한 방법을 제공하기 위해.
• 유전적 역학 및 멘델의 무작위화가 사용되지만 전체 데이터가 흔하지 않은 분야에서의 적용 가능성을 보여주기 위해.
• 일반적인 DAG 구조에서 경계가 유효해지는 조건을 설정하기 위해.

제안 방법

• 이론적으로 (C,A)와 (B,A)의 마진별 데이터로부터 B가 C에 미치는 인과 효과의 날카운 경계를 계산하기 위해 볼록 다면체 분석을 사용한다.
• 관측된 이변량 마진 분포와 일치하는 분포 집합을 기하학적 방법으로 특성화한다.
• 변수 간 관계에 대해 어떤 비모수적 가정도 두지 않아 일반적인 기능 형태를 허용한다.
• 가능한 연합 분포의 볼록 hull 위에서 선형 프로그래밍 문제를 풀어 경계를 유도한다.
• A가 B에 영향을 주고 B가 C에 영향을 주지만 A가 C에 직접 영향을 주지 않는 산술 변수 구조에 기반한다.
• 시뮬레이션과 부분적 준수 실험, 유전적 역학에의 적용을 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 오직 (C,A)와 (B,A)의 이변량 데이터만 가용한 경우 B가 C에 미치는 인과 효과에 대해 날카운 비모수적 경계를 유도할 수 있는가?
• RQ2 산술 변수 방법은 선형 모델을 초월하여 비모수적 인과 효과를 다룰 수 있도록 어떻게 일반화될 수 있는가?
• RQ3 DAG의 구조에 대해 어떤 조건이 유도된 경계가 유효하고 유용한지를 보장하는가?
• RQ4 멘델의 무작위화가 사용되는 유전적 역학 설정과 같은 실제 적용 분야에서 경계는 어떻게 성능을 보이는가?
• RQ5 부분적 준수 또는 연합 분포의 결측 데이터가 있는 설정에 이 방법을 적용할 수 있는가?

주요 결과

• 이 방법은 C, B, A의 전체 연합 분포 데이터가 필요 없이 (C,A)와 (B,A)의 이변량 데이터만으로도 B가 C에 미치는 인과 효과에 대해 날카운 비모수적 경계를 생성한다.
• 경계는 볼록 다면체 분석을 통해 도출되어 관측된 데이터 제약 조건 하에서 가능한 가장 날카로운 경계임을 보장한다.
• 선형성 가정을 제거함으로써 기존의 산술 변수 방법을 일반화한다.
• A가 유효한 산술 변수이므로 A가 B에 영향을 주고 잠재 공액요인과 독립임을 가정할 경우, 이 방법은 DAG에 적용 가능하다.
• 유전적 역학 설정, 예를 들어 멘델의 무작위화에서 전체 데이터(유전자형, 노출, 결과)가 흔하지 않은 상황에서 경계가 정보를 제공하는 것으로 확인되었다.
• 실제 사례 적용을 통해 이 방법은 부분적 준수 실험 및 실제 인과 추론 문제 해결에 있어 유용함을 보여주었다.