[论文解读] Causal effects based on distributional distances

Kwang-Ho Kim, Jisu Kim+1 more|arXiv (Cornell University)|Jun 8, 2018

Advanced Causal Inference Techniques参考文献 44被引用 5

一句话总结

本文提出了一种新颖的因果推断框架，采用反事实结果密度之间的L₁距离作为因果效应度量，为平均处理效应（ATE）提供了一种分布式替代方案。该方法提出了一种双重稳健的反事实密度估计与L₁距离估计器，建立了渐近性质及基于自助法的置信区间，并通过模拟和真实数据展示了该方法能够揭示均值方法常遗漏的细微处理效应，如多峰转移等。

ABSTRACT

Comparing counterfactual distributions can provide more nuanced and valuable measures for causal effects, going beyond typical summary statistics such as averages. In this work, we consider characterizing causal effects via distributional distances, focusing on two kinds of target parameters. The first is the counterfactual outcome density. We propose a doubly robust-style estimator for the counterfactual density and study its rates of convergence and limiting distributions. We analyze asymptotic upper bounds on the $L_q$ and the integrated $L_q$ risks of the proposed estimator, and propose a bootstrap-based confidence band. The second is a novel distributional causal effect defined by the $L_1$ distance between different counterfactual distributions. We study three approaches for estimating the proposed distributional effect: smoothing the counterfactual density, smoothing the $L_1$ distance, and imposing a margin condition. For each approach, we analyze asymptotic properties and error bounds of the proposed estimator, and discuss potential advantages and disadvantages. We go on to present a bootstrap approach for obtaining confidence intervals, and propose a test of no distributional effect. We conclude with a numerical illustration and a real-world example.

研究动机与目标

• 解决平均处理效应（ATE）在捕捉均值差异之外的分布变化方面的局限性。
• 开发一种在观察性研究中估计处理组与对照组反事实结果密度的方法。
• 基于反事实密度之间的L₁距离定义一种因果效应度量，以捕捉完整的分布差异。
• 为L₁距离提供一种双重稳健估计器，并在一致性与渐近正态性方面提供理论保证。
• 通过基于自助法的置信区间实现有效推断，适用于所提出的因果效应度量。

提出的方法

• 将因果效应定义为反事实结果密度之间L₁距离：$ D(Q^1, Q^0) = \bigintsss |q^1(u) - q^0(u)| du $。
• 提出一种新颖的非参数估计器，通过核平滑与逆概率加权方法估计反事实密度。
• 通过结合结果回归模型与倾向得分模型，构建L₁距离的双重稳健估计器。
• 在正则性条件下（包括有界密度支撑与光滑性）建立估计器的渐近正态性与一致性。
• 通过重抽样估计方程并利用估计器的渐近分布，推导基于自助法的置信区间。
• 利用经验影响函数与弱收敛论证，证明自助程序的有效性。

实验结果

研究问题

• RQ1 反事实结果密度之间的L₁距离能否作为比平均处理效应更具信息量的因果效应度量？
• RQ2 在存在缺失潜在结果的观察性研究中，如何一致地估计反事实结果密度？
• RQ3 在模型误设条件下，L₁距离估计器的渐近分布为何？能否使其具备双重稳健性？
• RQ4 能否在弱正则性条件下构建保持有效覆盖概率的基于自助法的L₁距离置信区间？
• RQ5 L₁距离在多大程度上能揭示均值方法无法检测的处理效应，如多峰转移或亚组异质性？

主要发现

• 在反事实密度之间的L₁距离能检测到重要分布差异（如多峰转移），而ATE仍为零，这一现象在具有相同均值与方差的合成示例中得到验证。
• 所提出的L₁距离的双重稳健估计器在温和正则性条件下（包括有界密度支撑及结果回归与倾向得分函数的光滑性）实现了根-n一致性与渐近正态性。
• 基于自助法的L₁距离置信区间在有限样本中保持了有效的覆盖概率，理论论证与模拟研究均支持其有效性。
• L₁距离在结果的单调变换下保持不变，使其在某些应用场景下比L₂距离更具稳健性。
• L₁距离的一半对应于处理组与对照组在结果集合概率上的最大可能差异，从而可提供治疗影响的可解释边界（例如，结果集合概率差异最高可达31.4%）。
• 在模拟研究中，该方法即使在ATE为零时仍能成功检测到分布变化，凸显其揭示治疗效应隐藏异质性能力。