[논문 리뷰] Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model

Chan Ho Park, Eric Tchetgen Tchetgen|arXiv (Cornell University)|2026. 02. 02.

Advanced Causal Inference Techniques인용 수 0

한 줄 요약

논문은 separable binary treatment choice model에서 변분적으로 독립적인 매개변수화와 고정점 방법을 통해 비parametric IV 추론을 개발하고, ML nuisance 추정을 이용한 효율적 추정을 가능하게 하며 Job Corps에 적용한다.

ABSTRACT

Instrumental variable (IV) methods are widely used to infer treatment effects in the presence of unmeasured confounding. In this paper, we study nonparametric inference with an IV under a separable binary treatment choice model, which posits that the odds of the probability of taking the treatment, conditional on the instrument and the treatment-free potential outcome, factor into separable components for each variable. While nonparametric identification of smooth functionals of the treatment-free potential outcome among the treated, such as the average treatment effect on the treated, has been established under this model, corresponding nonparametric efficient estimation has proven elusive due to variationally dependent nuisance parameters defined in terms of counterfactual quantities. To address this challenge, we introduce a new variationally independent parameterization based on nuisance functions defined directly from the observed data. This parameterization, coupled with a novel fixed-point argument, enables the use of modern machine learning methods for nuisance function estimation. We characterize the semiparametric efficiency bound for any smooth functional of the treatment-free potential outcome among the treated and construct a corresponding semiparametric efficient estimator without imposing any unnecessary restriction on nuisance functions. Furthermore, we describe a straightforward generative model justifying our identifying assumptions and characterize empirically falsifiable implications of the framework to evaluate our assumptions in practical settings. Our approach seamlessly extends to nonlinear treatment effects, population-level effects, and nonignorable missing data settings. We illustrate our methods through simulation studies and an application to the Job Corps study.

연구 동기 및 목표

• separable binary treatment choice model에서 처리 효과에 대한 도구변수 하의 비parametric 추론을 동기를 부여한다.
• counterfactual quantities와 데이터 기반 nuisance 추정에 독립적인 nuisance 매개변수화를 개발한다.
• treatment-free potential outcome의 매끄러운 함수에 대한 세미파라메트릭 효율 한계를 특징짓고 효율적인 추정기를 구성한다.
• 가정식 식별 및 반증 가능한 함의를 제시하고, 비선형 효과 및 누락 데이터에 대한 확장을 논의한다.

제안 방법

• 관측 데이터로부터 직접 정의된 변분적으로 독립적인 nuisance 매개변수화를 도입한다.
• 머신러닝 기반 nuisance 추정기를 가능하게 하는 새로운 고정점 주장(fixed-point argument)을 적용한다.
• 처치-프리 잠재적 결과의 매끄러운 함수들에 대한 세미파라메트릭 효율 한계를 도출한다.
• nuisance 함수에 불필요한 제약을 두지 않고 세미파라메트릭 효율 추정기를 구성한다.
• 식별 가정을 위한 생성 모델을 제공하고 반증 가능한 함의를 설명하며, 비선형 효과, 모집단 수준 효과, 비무시 데이터(nonignorable missing data)로의 확장을 다룬다.

실험 결과

연구 질문

• RQ1 separable IV 모델에서 처치-프리 잠재적 결과의 매끄러운 함수에 대해 어떤 식별성 및 효율성 특성이 있는가?
• RQ2 현대 ML로 추정된 nuisance 함수들을 이용해 제약 조건 없이 세미파라메트릭 효율 추정을 달성할 수 있는가?
• RQ3 Counterfactual quantity에 의존하지 않고 관측 데이터로 nuisance를 직접 매개변수화할 수 있는가?
• RQ4 실무에서 식별 가정을 검증하는 생성 모델 및 반증 가능한 함의를 어떤 방식으로 점검할 수 있는가?

주요 결과

• 처치-프리 잠재적 결과의 매끄러운 함수에 대해 세미파라메트릭 효율 한계를 확립했다.
• nuisance 함수에 대해서도 제약적인 제약을 두지 않는 세미파라메트릭 효율 추정기를 구성했다.
• ML 기반 nuisance 추정을 가능하게 하는 변분적으로 독립적인 nuisance 매개변수화와 고정점 주장을 도입했다.
• 식별 가정을 정당화하고 실증적으로 검증 가능한 반증 가능한 함의를 제시하는 간단한 생성 모델을 제공했다.
• 비선형 처리 효과, 모집단 수준 효과, 비무시 누락 데이터에 대한 확장이 가능하다는 것을 시뮬레이션 및 Job Corps 연구 적용으로 입증했다.