[論文レビュー] Robust Causal Inference Under Covariate Shift via Worst-Case Subpopulation Treatment Effects

Sookyo Jeong, Hongseok Namkoong|arXiv (Cornell University)|Jul 1, 2020

Advanced Causal Inference Techniques参考文献 87被引用数 4

ひとこと要約

本稿では、平均処置効果（ATE）の代替としての、任意のサイズのサブポピュレーション全体にわたる一様に有効な処置効果を保証する、ワーストケース処置効果（WTE）を導入する。機械学習に基づく推定とネイマン直交性を活用することで、提案された半パラメトリック推定量はオラクル効率性を達成し、むしろネイズルパラメータの推定が遅い場合でも、共変量シフト下で有効な推論を維持する。

ABSTRACT

We propose the worst-case treatment effect (WTE) across all subpopulations of a given size, a conservative notion of topline treatment effect. Compared to the average treatment effect (ATE), whose validity relies on the covariate distribution of collected data, WTE is robust to unanticipated covariate shifts, and positive findings guarantee uniformly valid treatment effects over subpopulations. We develop a semiparametrically efficient estimator for the WTE, leveraging machine learning-based estimates of the heterogeneous treatment effect and propensity score. By virtue of satisfying a key (Neyman) orthogonality property, our estimator enjoys central limit behavior---oracle rates with true nuisance parameters---even when estimates of nuisance parameters converge at slower rates. For both randomized trials and observational studies, we establish a semiparametric efficiency bound, proving that our estimator achieves the optimal asymptotic variance. On real datasets where robustness to covariate shift is of core concern, we illustrate the non-robustness of ATE under even mild distributional shift, and demonstrate that the WTE guards against brittle findings that are invalidated by unanticipated covariate shifts.

研究の動機と目的

• 実世界のデータにおける予期しない共変量シフト下で平均処置効果（ATE）推定値の脆さに対処すること。
• 指定されたサイズのすべてのサブポピュレーションにわたって一様に有効な効果を保証する、保守的な処置効果測定を構築すること。
• ネズルパラメータが不一致に推定されても、漸近正規性と最適分散を維持するWTEのための半パラメトリック推定量を構築すること。
• WTEのための半パラメトリック効率性の下限を確立し、無作為化試験および観察的研究の両方で、提案された推定量がこの下限に達することを証明すること。
• 実証的に、ATEはわずかな分布シフト下で壊れやすく、一方WTEは頑健で信頼性があることを示すこと。

提案手法

• 任意のサイズのサブポピュレーションにおける最小処置効果としてのワーストケース処置効果（WTE）を定義し、分布シフトに対して頑健であることを保証する。
• 異質的処置効果および適合度スコアの機械学習ベース推定を用いて、WTEのための半パラメトリック推定量を構築する。
• 推定方程式にネイマン直交性条件を課すことにより、漸近正規性およびネズルパラメータの収束速度が遅い場合の頑健性を確保する。
• 無作為化試験および観察的研究の両方におけるWTEの半パラメトリック効率性の下限を導出し、推定量が最適漸近分散に達することを示す。
• 2段階推定手順を採用：まず、柔軟な機械学習手法を用いて異質的処置効果および適合度スコアを推定し、次に最小最大最適化問題を解いてワーストケースサブポピュレーションを同定する。
• インパルス関数に基づく推定を用いることで、弱い正則性条件の下でもルートnの一致性および漸近正規性を達成する。

実験結果

リサーチクエスチョン

• RQ1 未知の共変量シフト下で、すべてのサブポピュレーションにわたって有効な処置効果測定をどのように定義できるか？
• RQ2 ワーストケース処置効果のための半パラメトリック推定量は、無作為化試験および観察的研究の両方で半パラメトリック効率性の下限に達するか？
• RQ3 ネズルパラメータ（例：処置効果または適合度スコア）がルートn未満の速度で推定される場合、提案された推定量は有効な推論を維持するか？
• RQ4 わずかな分布シフト下で、ワーストケース処置効果は平均処置効果と比べてどれほど頑健か？
• RQ5 モデル不適合および共変量シフト下でWTE推定量の頑健性の理論的基盤は何か？

主な発見

• 提案されたWTE推定量は、無作為化試験および観察的研究の両方で半パラメトリック効率性の下限に達しており、漸近分散の観点から最適であることが証明された。
• ネイマン直交性の性質のおかげで、ネズルパラメータの推定速度がルートn未満であっても、推定量は中心極限定理の性質を示し、ルートnの一致性を示す。
• 実証的結果から、わずかな共変量シフト下でもATE推定値は無効になることがあるが、WTEはサブポピュレーション全体にわたって頑健で一様に有効であることが示された。
• WTEは、分布シフト下で消える可能性のある壊れやすい結果を避ける保守的だが信頼性の高い処置効果推定値を提供する。
• この手法は、実世界の応用における不確実性下での意思決定のための実用的ツールとして、ワーストケースサブポピュレーション効果を的確に同定できた。
• 理論的分析により、WTE推定量が最小限の正則性条件の下でも有効な推論を維持することが確認され、複雑で高次元な設定に適していることが示された。