[论文解读] Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption

Fernando Pires Hartwig, L. Wang+2 more|arXiv (Cornell University)|Oct 20, 2020

Advanced Causal Inference Techniques参考文献 1被引用 11

一句话总结

本文提出了一种较弱的替代性假设——无同时异质性（No Simultaneous Heterogeneity, NOSH），以替代现有识别平均因果效应（ACE）时所依赖的同质性假设或无效应修饰假设。NOSH 要求 X-Y 因果效应的异质性与工具变量-X 关联的异质性及其本身均不相关，从而在传统假设不成立时仍可实现有效的 ACE 估计。

ABSTRACT

Background: Instrumental variables (IVs) can be used to provide evidence as to whether a treatment X has a causal effect on an outcome Y. Even if the instrument Z satisfies the three core IV assumptions of relevance, independence and the exclusion restriction, further assumptions are required to identify the average causal effect (ACE) of X on Y. Sufficient assumptions for this include: homogeneity in the causal effect of X on Y; homogeneity in the association of Z with X; and no effect modification (NEM). Methods: We describe the NO Simultaneous Heterogeneity (NOSH) assumption, which requires the heterogeneity in the X-Y causal effect to be mean independent of (i.e., uncorrelated with) both Z and heterogeneity in the Z-X association. This happens, for example, if there are no common modifiers of the X-Y effect and the Z-X association, and the X-Y effect is additive linear. We illustrate NOSH using simulations and by re-examining selected published studies. Results: When NOSH holds, the Wald estimand equals the ACE even if both homogeneity assumptions and NEM (which we demonstrate to be special cases of - and therefore stronger than - NOSH) are violated. Conclusions: NOSH is sufficient for identifying the ACE using IVs. Since NOSH is weaker than existing assumptions for ACE identification, doing so may be more plausible than previously anticipated.

研究动机与目标

• 解决在标准假设（如同质性或无效应修饰性）不成立时，使用工具变量（IV）分析识别平均因果效应（ACE）的挑战。
• 提出一种新的识别假设——无同时异质性（NOSH），以放宽对严格同质性或效应修饰性约束的需求。
• 证明 NOSH 既充分又弱于现有假设，从而扩展了在 IV 设置下有效因果推断的适用范围。
• 通过模拟和对已发表研究的再分析，验证 NOSH 假设，展示其在实际中的可行性与稳健性。

提出的方法

• 定义 NOSH 假设：X-Y 因果效应的异质性在均值上独立于 Z-X 关联的异质性及其本身。
• 在 NOSH 条件下推导 Wald 估计量，证明其即使在同质性与无效应修饰性不成立时，仍等于 ACE。
• 利用结构因果模型与线性结构方程，形式化处理 X（处理变量）、Y（结果变量）、Z（工具变量）及未观测混杂因素之间的关系。
• 通过模拟评估当标准假设不成立时，NOSH 条件下 Wald 估计量的表现。
• 对已发表研究进行再分析，以说明 NOSH 在真实因果推断场景中的实际适用性。
• 证明 NOSH 可涵盖并推广同质性与无效应修饰性作为特例，使其成为更具弹性的识别条件。

实验结果

研究问题

• RQ1 在不强制要求因果效应同质性的情况下，是否可以使用工具变量（IVs）识别平均因果效应（ACE）？
• RQ2 是否存在一种弱于无效应修饰性（NEM）的识别假设，仍能保证 Wald 估计量等于 ACE？
• RQ3 当 X-Y 效应与 Z-X 关联均存在异质性时，Wald 估计量在何种条件下仍为 ACE 的有效估计量？
• RQ4 NOSH 假设在理论与实证层面相较于现有 IV 分析识别假设表现如何？
• RQ5 NOSH 假设是否可在真实世界观察性研究中实际应用，以提升因果推断的有效性？

主要发现

• NOSH 假设足以在使用工具变量（IVs）时识别平均因果效应（ACE），即使在因果效应同质性与无效应修饰性（NEM）不成立时亦然。
• NOSH 弱于同质性与 NEM，因为它允许 X-Y 因果效应与 Z-X 关联均存在异质性，只要二者不同时相关。
• 当 NOSH 成立时，Wald 估计量能一致地估计 ACE，表现出比以往假设更广泛的稳健性。
• 模拟结果证实，即使在存在异质性处理效应与异质性工具暴露的情况下，Wald 估计量在 NOSH 条件下仍保持无偏与一致。
• 对已发表研究的再分析表明，NOSH 在真实世界情境中具有可实现性，提示 IV 方法的应用范围可能比以往认知更广。
• NOSH 假设推广并涵盖了现有识别条件，使其成为 IV 分析中更具灵活性与现实可行性的因果推断基础。