[논문 리뷰] Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables

Rohit Bhattacharya, Razieh Nabi외 1명|arXiv (Cornell University)|2020. 03. 27.

Advanced Causal Inference Techniques인용 수 13

한 줄 요약

이 논문은 은닉 변수가 있는 그래프 모형에서 인과적 효과를 위한 준모수적 추정량을 개발하며, 영향 함수를 이용해 이중로버스트성과 효율성을 달성한다. 그래픽 기준에 따라 어떤 식별 가능한 효과에 대해서도 직접적으로 가중치 기반 추정 전략을 도출할 수 있는 타당하고 완전한 식별 알고리즘을 제공하며, 이는 프론트도어 모형과 조정 기반 모형으로까지 확장되어 최적의 효율성을 보인다.

ABSTRACT

Identification theory for causal effects in causal models associated with hidden variable directed acyclic graphs (DAGs) is well studied. However, the corresponding algorithms are underused due to the complexity of estimating the identifying functionals they output. In this work, we bridge the gap between identification and estimation of population-level causal effects involving a single treatment and a single outcome. We derive influence function based estimators that exhibit double robustness for the identified effects in a large class of hidden variable DAGs where the treatment satisfies a simple graphical criterion; this class includes models yielding the adjustment and front-door functionals as special cases. We also provide necessary and sufficient conditions under which the statistical model of a hidden variable DAG is nonparametrically saturated and implies no equality constraints on the observed data distribution. Further, we derive an important class of hidden variable DAGs that imply observed data distributions observationally equivalent (up to equality constraints) to fully observed DAGs. In these classes of DAGs, we derive estimators that achieve the semiparametric efficiency bounds for the target of interest where the treatment satisfies our graphical criterion. Finally, we provide a sound and complete identification algorithm that directly yields a weight based estimation strategy for any identifiable effect in hidden variable causal models.

연구 동기 및 목표

• 측정되지 않은 혼란 요인을 동반한 그래프 모형에서 인과적 식별과 추정 간 격차를 해결하며, 기존의 식별 방법들이 기능적 표현의 복잡한 추정으로 인해 활용도가 낮다는 점을 다루기 위해.
• 은닉 변수가 있는 광범위한 DAG 클래스에서 식별 가능한 인과적 효과에 대해 이중로버스트성과 준모수적 효율성 한계를 달성하는 준모수적 추정량을 개발하기 위해.
• 잠재적 프로젝션 모델에서 완전히 관측된 DAG에 대해 비모수적 포화 상태와 관측적 동치성에 필요한 필수 및 충분한 조건을 제공하기 위해.
• 그래픽적 구조에서 직접적으로 가중치 기반 추정 전략을 도출할 수 있는 타당하고 완전한 식별 알고리즘을 유도하기 위해.
• 기존 방법을 프론트도어 모형과 조정 공식의 일반화와 같은 복잡한 인과 모형을 다룰 수 있도록 확장하여 통계적 효율성과 견고성을 보장하기 위해.

제안 방법

• 순환하지 않는 유도된 혼합 그래프(ADMG)의 내재 마르코프 모형과 지구 분해를 활용하여 은닉 변수가 있는 DAG에서 평균 인과 효과를 위한 영향 함수 기반 추정량을 유도한다.
• p-고정 순서 이론과 do-계산법을 적용하여 유효한 간섭 분포를 식별하고, 그래픽 기준 하에서 추정량의 일致성을 보장한다.
• 내재 마르코프 분해를 사용하여 DAG의 잠재적 프로젝션에서 일반적이고 일반화된 조건부 독립 제약 조건(베르마 제약 조건)을 모두 표현한다.
• 결과 회귀 모형과 성향 스코어 모형을 조합하여 이중로버스트성을 확보하는 추정량을 구축한다. 이는 두 모형 중 하나만 올바르게 특정되어 있더라도 일致성을 유지한다.
• 정규 조건 하에서 준모수적 효율성 한계에 도달하는 추정량을 유도하기 위해 추정 방정식 프레임워크에서 유도된 영향 함수를 활용하여 효율성을 확보한다.
• 그래픽적 구조를 p-고정 연산의 시퀀스로 변환하는 완전한 식별 알고리즘을 구현하여 수치적 근사 없이 명시적인 가중치를 도출한다.

실험 결과

연구 질문

• RQ1 은닉 변수가 있는 DAG에서 어떤 그래픽 조건을 만족해야 인과 효과가 식별되고 효율적으로 추정될 수 있는가?
• RQ2 측정되지 않은 혼란 요인이 있는 모형에서 영향 함수 기반 추정량이 이중로버스트성과 효율성을 달성할 수 있는가?
• RQ3 은닉 변수가 있는 DAG의 관측 데이터 분포가 비모수적으로 포화 상태일 때, 즉 관측 데이터 분포에 등식 제약 조건이 없을 때는 언제인가?
• RQ4 잠재적 변수가 있는 DAG의 관측 데이터 분포가 등식 제약 조건까지는 완전히 관측된 DAG와 관측적으로 동치가 되는 경우는 언제인가?
• RQ5 어떤 식별 가능한 효과에 대해서든 직접적으로 가중치 기반 추정 전략을 도출할 수 있는 타당하고 완전한 식별 알고리즘이 구축될 수 있는가?

주요 결과

• 논문은 단순한 그래픽 기준(예: 치료 요인이 잠재적 프로젝션에서 상위 수준의 지구에 속해 있을 경우)을 만족할 경우, 영향 함수 기반 추정량이 이중로버스트성과 준모수적 효율성 한계를 달성함을 입증한다.
• 관측 데이터 분포가 등식 제약 조건이 없음을 의미하는, 즉 비모수적으로 포화 상태임을 보장하는 조건을 필요 및 충분 조건으로 제공한다.
• 저자는 관측 분포가 완전히 관측된 DAG와 관측적으로 동치가 되는 광범위한 은닉 변수가 있는 DAG의 클래스를 규명하여, 완전히 관측된 경우에 알려진 효율적 추정량을 사용할 수 있음을 보여준다.
• 이러한 모형들에 대해서는 제안된 추정량이 준모수적 효율성 한계에 도달하므로, 점근적 분산 측면에서 최적임을 의미한다.
• 식별 알고리즘이 타당하고 완전하며, 직접적으로 가중치 기반 추정 전략을 도출하므로 수치적 근사 없이 실용적 구현이 가능하다.
• 기존 결과를 일반화한다: 조정 공식과 프론트도어 조정을 특수한 경우로 회복하며, 측정되지 않은 혼란 요인이 있는 더 복잡한 잠재적 구조로 확장한다.