[论文解读] On a Class of Bias-Amplifying Variables that Endanger Effect Estimates

Judea Pearl|arXiv (Cornell University)|Mar 15, 2012

Advanced Causal Inference Techniques参考文献 17被引用 37

一句话总结

本文识别出一类变量——包括工具变量以及对处理选择的影响大于对结果影响的变量——在因果效应估计中进行条件化时会放大混淆偏差。它表明，这类变量在线性与非线性模型中均可能加剧偏差，甚至在原本无偏差的情况下引入新的偏差，并表明它们无法缓解由选择引起的偏差。

ABSTRACT

This note deals with a class of variables that, if conditioned on, tends to amplify confounding bias in the analysis of causal effects. This class, independently discovered by Bhattacharya and Vogt (2007) and Wooldridge (2009), includes instrumental variables and variables that have greater influence on treatment selection than on the outcome. We offer a simple derivation and an intuitive explanation of this phenomenon and then extend the analysis to non linear models. We show that: 1. the bias-amplifying potential of instrumental variables extends over to non-linear models, though not as sweepingly as in linear models; 2. in non-linear models, conditioning on instrumental variables may introduce new bias where none existed before; 3. in both linear and non-linear models, instrumental variables have no effect on selection-induced bias.

研究动机与目标

• 识别并表征在因果效应估计中进行条件化时会放大混淆偏差的变量。
• 解释为何工具变量以及对处理选择的影响大于对结果影响的变量在偏差放大中尤为危险。
• 将偏差放大的分析从线性模型扩展到非线性设置。
• 阐明此类变量在何种条件下无法减少由选择引起的偏差。
• 提供对条件化这些变量如何以及为何会降低因果效应估计质量的直观与形式化理解。

提出的方法

• 使用结构因果模型与反事实推理推导偏差放大的效应。
• 分析变量对处理选择与结果的影响，以分类其偏差放大潜力。
• 将该框架应用于线性和非线性结构模型，以比较偏差行为。
• 使用反事实方差分解，分离特定变量条件化对总体偏差的贡献。
• 证明在非线性模型中，对工具变量进行条件化可能引入原本不存在的偏差。
• 比较线性与非线性设置中偏差放大变量的行为，表明在非线性情况下放大效应不那么普遍。

实验结果

研究问题

• RQ1 在因果推断中，哪些类型的变量在进行条件化时最可能放大混淆偏差？
• RQ2 偏差放大效应在线性与非线性结构模型之间有何不同？
• RQ3 对工具变量进行条件化是否可能引入原本不存在的偏差？
• RQ4 在何种条件下，偏差放大变量无法减少选择引起的偏差？
• RQ5 某些变量如何通过直观与形式化机制增加效应估计中偏差的幅度？

主要发现

• 工具变量在非线性与线性模型中均会放大混淆偏差，尽管在非线性情况下效应较不显著。
• 对影响处理选择大于结果的变量进行条件化，可能导致比不调整时更大的偏差。
• 在非线性模型中，对工具变量进行条件化可能引入原本不存在的偏差，即使在无未观测混淆的情况下也是如此。
• 偏差放大变量无法减少选择引起的偏差，这与某些调整策略中的预期相反。
• 偏差放大的根源在于某些变量对处理分配的影响远大于对结果的影响。
• 该现象通过反事实方差分解得到形式化解释，表明条件化会放大效应估计中偏差的方差。