[论文解读] On the Validity of Covariate Adjustment for Estimating Causal Effects

Ilya Shpitser, Tyler J. VanderWeele+1 more|arXiv (Cornell University)|Mar 15, 2012

Bayesian Modeling and Causal Inference参考文献 18被引用 89

一句话总结

本文提出了一套完整的图形准则——称为调整准则（adjustment criterion）——用于因果推断中的有效协变量调整，使在无混淆性假设下能够从观察性数据中识别因果效应。该准则被证明是必要且充分的，解决了长期以来关于标准回归或分层方法何时能产生无偏因果估计的模糊性问题。

ABSTRACT

Identifying effects of actions (treatments) on outcome variables from observational data and causal assumptions is a fundamental problem in causal inference. This identification is made difficult by the presence of confounders which can be related to both treatment and outcome variables. Confounders are often handled, both in theory and in practice, by adjusting for covariates, in other words considering outcomes conditioned on treatment and covariate values, weighed by probability of observing those covariate values. In this paper, we give a complete graphical criterion for covariate adjustment, which we term the adjustment criterion, and derive some interesting corollaries of the completeness of this criterion.

研究动机与目标

• 解决在观察性研究中协变量调整何时能产生有效因果效应估计的模糊性问题。
• 形式化调整可观测协变量以消除因果效应估计中混淆偏差的条件。
• 提供一个完整且可计算的图形准则，用于确定有效的调整集合。
• 澄清基于回归和分层的因果推断方法的理论基础。
• 统一并推广结构因果模型下现有的协变量调整方法。

提出的方法

• 基于有向无环图（DAGs）中的d-分离，提出一种图形准则——称为调整准则。
• 若一组协变量能阻断处理与结果之间所有后门路径，则定义该组协变量为有效的调整变量。
• 使用do-演算和d-分离，正式证明该准则的完备性和正确性。
• 提出一种递归算法，用于检验给定协变量集合是否满足调整准则。
• 应用该准则识别出能平衡偏差减少与方差的最小和最优调整集合。
• 证明该准则包含了并推广了先前的方法，如后门准则。

实验结果

研究问题

• RQ1 在何种情况下，调整可观测协变量可有效估计从观察性数据中得出的因果效应？
• RQ2 何种图形条件可确保调整一组协变量能消除混淆偏差？
• RQ3 是否存在一个完整且可计算的准则，用于确定所有有效的调整集合？
• RQ4 所提出的调整准则与现有准则（如后门准则）有何关系？是否具有推广性？
• RQ5 该准则能否用于识别最小调整集合，以在因果效应估计中优化精度？

主要发现

• 该调整准则在线性和非线性结构因果模型中，对于有效的协变量调整而言，既是必要也是充分的。
• 该准则将后门准则作为特例包含在内，提供了一个更广泛且更灵活的框架。
• 本文证明：当且仅当该协变量集合在给定条件下d-分离处理与结果时，该集合才是有效的调整集合。
• 该准则允许识别出能减少方差同时保持无偏性的最小调整集合。
• 该方法可利用标准DAG算法实现有效调整集合的自动化验证。
• 研究结果解决了关于常见回归和分层方法在因果推断中有效性的长期疑问。