[论文解读] General Control Functions for Causal Effect Estimation from Instrumental Variables

Aahlad Puli, Rajesh Ranganath|arXiv (Cornell University)|Jul 8, 2019

Advanced Causal Inference Techniques参考文献 5被引用 6

一句话总结

本文提出了一种新型方法——广义控制函数法（GCFN），通过变分解耦（VDE）构建广义控制函数，利用工具变量（IVs）进行因果效应估计。与2SLS或CFN相比，GCFN在更弱的假设下确保识别性，通过结构化处理过程假设或半监督混杂因子监督来保证忽略性与正性，其在模拟实验和从奴隶出口数据中恢复真实世界信任关系的实验中均优于现有方法。

ABSTRACT

Causal effect estimation relies on separating the variation in the outcome into parts due to the treatment and due to the confounders. To achieve this separation, practitioners often use external sources of randomness that only influence the treatment called instrumental variables (IVs). We study variables constructed from treatment and IV that help estimate effects, called control functions. We characterize general control functions for effect estimation in a meta-identification result. Then, we show that structural assumptions on the treatment process allow the construction of general control functions, thereby guaranteeing identification. To construct general control functions and estimate effects, we develop the general control function method (GCFN). GCFN's first stage called variational decoupling (VDE) constructs general control functions by recovering the residual variation in the treatment given the IV. Using VDE's control function, GCFN's second stage estimates effects via regression. Further, we develop semi-supervised GCFN to construct general control functions using subsets of data that have both IV and confounders observed as supervision; this needs no structural treatment process assumptions. We evaluate GCFN on low and high dimensional simulated data and on recovering the causal effect of slave export on modern community trust.

研究动机与目标

• 解决现有基于IV的因果估计器（如2SLS和CFN）在存在乘法交互作用或错误噪声假设时失效的问题。
• 构建一个广义控制函数框架，确保在无需对结果过程施加结构假设的前提下，实现忽略性与正性，以实现有效的因果识别。
• 提出GCFN的半监督变体，利用部分混杂因子观测值，确保联合独立性而无需结构化处理假设。
• 在低维和高维模拟数据以及真实世界因果效应恢复任务（如奴隶出口对现代社区信任的影响）中，展示GCFN的鲁棒性与准确性。

提出的方法

• 提出一个元识别结果：若控制函数满足（1）其与IV可重构处理变量，且（2）混杂因子与控制函数联合独立于IV，则该控制函数为广义控制函数。
• 开发变分解耦（VDE）作为GCFN的第一阶段，即一种神经网络自编码器，学习一个与IV统计独立但能重构处理变量的控制函数。
• 在第二阶段使用VDE学习到的控制函数，通过任意基于忽略性的方法（如匹配或双重稳健估计）进行效应估计。
• 引入半监督GCFN，其增强版VDE可将控制函数与数据子集中观测到的混杂因子对齐，从而在无需结构化处理假设的情况下实现联合独立性。
• 在VDE中采用对抗训练与独立性约束，以强制控制函数与IV之间的统计独立性。
• 对VDE和结果模型均采用标准优化方法（Adam、学习率调度），并通过验证集均方误差进行模型选择。

实验结果

研究问题

• RQ1 能否构建一个广义控制函数，使其在不依赖结果过程强假设的前提下，确保忽略性与正性，以实现因果识别？
• RQ2 如何利用变分解耦（VDE）学习一个满足与未观测混杂因子联合独立性的控制函数？
• RQ3 在存在非线性交互作用或结果模型误设的场景下，GCFN是否优于2SLS、CFN和DeepIV？
• RQ4 当仅部分数据可观测到混杂因子时，半监督GCFN能否实现准确的因果估计？
• RQ5 GCFN在高维设置及真实世界因果推断任务（如估计奴隶出口对现代信任的影响）中是否具有鲁棒性与有效性？

主要发现

• 在低维模拟中，当结果过程为非线性且违反CFN假设时，GCFN的RMSE为0.3 ± 0.1，而CFN即使模型设定正确，其RMSE仍高达1.5 ± 0.1，表明CFN失效。
• 在高维IV实验中，GCFN的表现与DeepGMM和DeepIV相当，多种运行和超参数设置下效果MSE相近。
• 在高维协变量模拟中，GCFN的效果MSE与DeepGMM和DeepIV相当或更优，且随着正则化参数κ增大，MSE持续下降。
• 半监督GCFN显著优于仅在可观测混杂因子子集上进行结果回归的方法，证明了即使监督有限，控制函数学习仍具显著价值。
• GCFN成功恢复了奴隶出口对现代社区信任的因果效应，验证了其在真实世界中的适用性。
• 理论分析表明，在强IV和结构假设（如可加性处理）下，VDE可保证重构与联合独立性，从而确保识别性。