[论文解读] Semiparametric sensitivity analysis: unmeasured confounding in observational studies

Razieh Nabi, Matteo Bonvini+4 more|arXiv (Cornell University)|Apr 16, 2021

Advanced Causal Inference Techniques被引用 6

一句话总结

本文提出了一种半参数敏感性分析方法，用于评估观察性研究中平均因果效应（ACE）估计对未测量混杂因素的稳健性。通过利用固定敏感性参数下的非参数高效影响函数，该方法构建了一个一步、分样本、截断估计器，实现了无需限制敏感性参数的√n渐近正态性，从而在吸烟对出生体重因果效应等场景中实现稳健推断。

ABSTRACT

Establishing cause-effect relationships from observational data often relies on untestable assumptions. It is crucial to know whether, and to what extent, the conclusions drawn from non-experimental studies are robust to potential unmeasured confounding. In this paper, we focus on the average causal effect (ACE) as our target of inference. We generalize the sensitivity analysis approach developed by Robins et al. (2000), Franks et al. (2020), and Zhou and Yao (2023). We use semiparametric theory to derive the non-parametric efficient influence function of the ACE, for fixed sensitivity parameters. We use this influence function to construct a one-step, split sample, truncated estimator of the ACE. Our estimator depends on semiparametric models for the distribution of the observed data; importantly, these models do not impose any restrictions on the values of sensitivity analysis parameters. We establish sufficient conditions ensuring that our estimator has root-n asymptotics. We use our methodology to evaluate the causal effect of smoking during pregnancy on birth weight. We also evaluate the performance of estimation procedure in a simulation study.

研究动机与目标

• 开发一种稳健方法，用于评估观察性研究中平均因果效应（ACE）估计对未测量混杂因素的敏感性。
• 通过引入半参数理论，将现有敏感性分析框架推广，且不对敏感性参数施加参数限制。
• 确保所提出的估计器在最小正则性条件下实现√n渐近正态性。
• 在可能存在未测量混杂因素的情况下，评估孕期吸烟对出生体重的因果效应。
• 提供一种实用且推断有效的稳健方法，即使在使用灵活模型估计异质函数时也保持稳健。

提出的方法

• 推导了在包含未测量混杂因素敏感性参数的一类半参数模型下，ACE的非参数高效影响函数。
• 提出一种一步、分样本、截断估计器，利用影响函数提升效率与稳健性。
• 采用样本分割以确保在弱正则性条件下实现渐近正态性与推断有效性。
• 使用灵活的半参数模型（如广义可加模型、单 index 模型或 Super Learner）估计异质函数，且不对敏感性参数施加限制。
• 建立√n渐近性质的充分条件，确保即使敏感性参数未知或变化时，推断仍有效。
• 通过影响函数理论，将该方法扩展至处理复杂混杂结构，并适用于含中介变量或不可忽略缺失数据的模型。

实验结果

研究问题

• RQ1 如何在半参数框架下，利用未测量混杂因素的敏感性分析方法，评估观察性研究中平均因果效应估计的稳健性？
• RQ2 在敏感性参数下，ACE的影响函数基估计器是什么？其是否实现√n渐近正态性？
• RQ3 当存在未测量混杂因素时，该方法在有限样本中的表现如何？
• RQ4 该方法能否应用于真实世界数据，例如在合理敏感性参数值下评估吸烟对出生体重的因果效应？
• RQ5 在存在敏感性参数且使用灵活非参数方法估计异质函数时，推断有效性的充分条件是什么？

主要发现

• 所提出的一步、分样本、截断估计器在温和正则性条件下实现了√n渐近正态性，确保了推断有效性。
• 模拟研究显示，该估计器在各种样本大小和敏感性参数值下均保持低偏差，并实现了约95%的置信区间覆盖。
• 当样本量 n = 5000 且敏感性参数 ρ = 1.5 时，偏差为 -1.46 克，覆盖率为 0.95，表明其在有限样本中表现良好。
• 该方法成功重新分析了宾夕法尼亚州出生数据集，显示吸烟导致的出生体重减少估计值（203.2 克）对未测量混杂因素具有敏感性。
• 即使异质函数使用 Super Learner 等灵活方法估计，只要收敛速率超过 n^{-1/4}，估计器仍保持有效。
• 通过将影响函数框架适配至其他识别公式，该方法可推广至其他识别场景，如前门模型。