[论文解读] Semi-Instrumental Variables: A Test for Instrument Admissibility

Tianjiao Chu, Richard Scheines+1 more|arXiv (Cornell University)|Jan 10, 2013

Bayesian Modeling and Causal Inference参考文献 13被引用 5

一句话总结

本文引入半工具变量作为传统工具变量的推广，使在可加结构模型中能够对工具变量的可接受性进行统计检验。在分布性假设下，该方法提出算法以计算某变量是否为半工具变量，或两个半工具变量是否联合满足工具变量条件的p值，从而提供一种无需完全依赖领域专业知识的数据驱动方法，用于验证或发现工具变量。

ABSTRACT

In a causal graphical model, an instrument for a variable X and its effect Y is a random variable that is a cause of X and independent of all the causes of Y except X. (Pearl (1995), Spirtes et al (2000)). Instrumental variables can be used to estimate how the distribution of an effect will respond to a manipulation of its causes, even in the presence of unmeasured common causes (confounders). In typical instrumental variable estimation, instruments are chosen based on domain knowledge. There is currently no statistical test for validating a variable as an instrument. In this paper, we introduce the concept of semi-instrument, which generalizes the concept of instrument. We show that in the framework of additive models, under certain conditions, we can test whether a variable is semi-instrumental. Moreover, adding some distribution assumptions, we can test whether two semi-instruments are instrumental. We give algorithms to estimate the p-value that a random variable is semi-instrumental, and the p-value that two semi-instruments are both instrumental. These algorithms can be used to test the experts' choice of instruments, or to identify instruments automatically.

研究动机与目标

• 为解决因果推断中缺乏对工具变量验证的统计检验问题。
• 将工具变量的概念推广为半工具变量，以增强在存在未观测混淆因子的模型中的适用性。
• 开发算法，利用观测数据和分布性假设来估计工具变量可接受性的p值。
• 实现在因果图模型中对工具变量进行自动化或专家验证的测试。
• 在领域知识不确定或不完整时，提供一种识别有效工具变量的框架。

提出的方法

• 在可加结构模型中引入半工具变量的概念，作为标准工具变量条件的松弛形式。
• 定义在何种条件下可通过条件独立性和函数形式假设来检验某一变量是否为半工具变量。
• 提出两步算法：第一步，通过条件独立性检验判断某变量是否为半工具变量；第二步，利用分布性假设评估联合工具变量的有效性。
• 采用非参数回归和基于残差的检验方法，在可加噪声模型下估计半工具变量性的p值。
• 使用置换检验和自助法计算原假设（即某变量不是半工具变量）的p值。
• 利用两个半工具变量的联合p值，在分布性假设下检验其是否共同满足工具变量标准。

实验结果

研究问题

• RQ1 我们能否在不依赖领域知识的情况下，通过统计方法检验候选变量是否满足有效工具变量的条件？
• RQ2 在何种条件下，某变量可被视为半工具变量而非严格意义上的工具变量？
• RQ3 如何检验两个半工具变量是否联合构成有效的工具变量对？
• RQ4 所提出的p值估计程序在检测工具变量可接受性方面的统计功效如何？
• RQ5 在存在未观测混淆因子的情况下，该方法能否自动从数据中识别出有效工具变量？

主要发现

• 所提出的方法通过p值估计实现了工具变量可接受性的统计检验，为专家判断提供了数据驱动的替代方案。
• 在可加噪声模型和分布性假设下，该方法能够控制第一类错误率，有效检验某变量是否为半工具变量。
• 对两个半工具变量的联合p值检验可验证工具变量对的有效性，从而增强因果估计的稳健性。
• 仿真结果表明，该算法在各种配置下均保持适当的检验尺寸，并具备合理的检测真实工具变量的统计功效。
• 该方法在合成数据中成功识别出有效工具变量，证明其在验证与发现场景下的实用性。
• 该方法适用于存在未观测混淆因子的情境，扩展了工具变量方法在观察性研究中的应用价值。