[论文解读] Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds

Jiannan Lu, Peng Ding+1 more|arXiv (Cornell University)|Jul 6, 2015

Advanced Causal Inference Techniques参考文献 49被引用 9

一句话总结

本文提出了两个因果 estimand——治疗受益概率和严格受益概率，针对有序结果，利用在部分识别下由潜在结果边际分布导出的紧致边界。该文提供了这些边界的闭式表达式，使在随机化实验、观察性研究及非合乎规范情境下无需强参数假设即可实现稳健推断。

ABSTRACT

Assessing the causal effects of interventions on ordinal outcomes is an important objective of many educational and behavioral studies. Under the potential outcomes framework, we can define causal effects as comparisons between the potential outcomes under treatment and control. However, unfortunately, the average causal effect, often the parameter of interest, is difficult to interpret for ordinal outcomes. To address this challenge, we propose to use two causal parameters, which are defined as the probabilities that the treatment is beneficial and strictly beneficial for the experimental units. However, although well-defined for any outcomes and of particular interest for ordinal outcomes, the two aforementioned parameters depend on the association between the potential outcomes, and are therefore not identifiable from the observed data without additional assumptions. Echoing recent advances in the econometrics and biostatistics literature, we present the sharp bounds of the aforementioned causal parameters for ordinal outcomes, under fixed marginal distributions of the potential outcomes. Because the causal estimands and their corresponding sharp bounds are based on the potential outcomes themselves, the proposed framework can be flexibly incorporated into any chosen models of the potential outcomes, and are directly applicable to randomized experiments, unconfounded observational studies, and randomized experiments with noncompliance. We illustrate our methodology via numerical examples and three real-life applications related to educational and behavioral research.

研究动机与目标

• 为解决在有序结果中平均因果效应难以解释的问题，其中均值缺乏实质性意义。
• 提出两个可解释的因果参数：单位治疗有益的概率和严格有益的概率。
• 仅基于潜在结果的边际分布，推导出这些参数的紧致边界，避免对潜在结果关联性做出不可检验的假设。
• 使方法适用于多种研究设计，包括随机化实验、观察性研究及非合乎规范情境。
• 提供边界的闭式表达式，相较于数值方法，提升了可解释性与计算可行性。

提出的方法

• 基于潜在结果定义两个因果 estimand：τ（治疗有益的概率）和η（治疗严格有益的概率）。
• 使用线性规划方法，在潜在结果边际分布固定的前提下，推导出τ和η的紧致边界。
• 应用部分识别框架，在不假设潜在结果联合分布或其关联性的情况下，对参数进行边界估计。
• 整合协变量和非合乎规范信息，以细化边界并提高推断精度。
• 推导出边界的闭式表达式，相较于以往的数值方法，提升了分析可操作性。
• 通过数值示例及三个教育与劳动经济学领域的实际应用验证该方法。

实验结果

研究问题

• RQ1 当平均治疗效应在实质上模糊不清时，如何对有序结果的因果效应进行有意义的定义？
• RQ2 在仅知潜在结果边际分布的条件下，治疗有益或严格有益概率的紧致边界是什么？
• RQ3 整合协变量或非合乎规范信息如何提高治疗受益概率边界估计的精度？
• RQ4 能否通过解析方法推导出紧致边界的闭式表达式？与数值方法相比有何差异？
• RQ5 在涉及教育与行为结果的实际应用中，所提出的 estimand 与边界表现如何？

主要发现

• 所提出的因果 estimand τ 与 η 具有可解释性，且在有序结果研究中直接关联政策制定与决策过程。
• 在 Job Corps 项目中，超过 70% 的参与者因该项目未导致时薪下降，τ 的 95% 置信区间在未使用协变量时为 0.536 至 0.938，使用协变量后为 0.570 至 0.932。
• 约 20%–30% 的参与者因该项目实现了时薪的严格增加，η 的 95% 置信区间在未使用协变量时为 0.199 至 0.363，使用协变量后为 0.180 至 0.331。
• 引入非合乎规范信息后，τ 的下界从 0.558 提升至 0.683，η 的上界从 0.379 降低至 0.254，显著提升了推断精度。
• 协变量的引入缩小了 τ 与 η 的置信区间，表明边界估计的精度得到改善。
• 推导出紧致边界的闭式表达式，相较于数值方法具有分析优势，可更广泛应用于有序结果的因果推断。