[论文解读] Bounded, efficient and multiply robust estimation of average treatment effects using instrumental variables

Linbo Wang, Eric Tchetgen Tchetgen|arXiv (Cornell University)|Nov 29, 2016

Advanced Causal Inference Techniques参考文献 52被引用 8

一句话总结

本文提出了一种新颖的识别框架和使用工具变量（IVs）的平均处理效应（ATE）的多重稳健估计量，即使在模型误设的情况下也能实现有界、高效且一致的估计。该方法将识别假设与估计模型分离，确保在不承诺特定观测数据模型的前提下实现 ATE 的识别，并提供在多个模型中保持一致或在它们的并集中具有多重稳健性的估计量。

ABSTRACT

Instrumental variables (IVs) are widely used for estimating causal effects in the presence of unmeasured confounding. Under the standard IV model, however, the average treatment effect (ATE) is only partially identifiable. To address this, we propose novel assumptions that allow for identification of the ATE. Our identification assumptions are clearly separated from model assumptions needed for estimation, so that researchers are not required to commit to a specific observed data model in establishing identification. We then construct multiple estimators that are consistent under three different observed data models, and multiply robust estimators that are consistent in the union of these observed data models. We pay special attention to the case of binary outcomes, for which we obtain bounded estimators of the ATE that are guaranteed to lie between -1 and 1. Our approaches are illustrated with simulations and a data analysis evaluating the causal effect of education on earnings.

研究动机与目标

• 解决在存在未观测混杂因素的情况下使用工具变量（IVs）估计平均处理效应（ATE）的挑战。
• 开发与估计模型分离的识别假设，使研究者在识别阶段无需承诺特定的观测数据模型。
• 构建在三种不同观测数据模型下均一致的估计量，增强对模型误设的稳健性。
• 确保二值结果的估计量在 -1 到 1 之间，保持可解释性和有效性。
• 提供多重稳健的估计量，只要其中任意一个模型被正确指定，估计量仍保持一致。

提出的方法

• 引入新的识别假设，将 ATE 识别的条件与估计中使用的条件分离，提升建模灵活性。
• 开发多个估计量，它们在三种不同的观测数据模型下均保持一致，每种模型对应不同的条件独立性假设。
• 构建多重稳健估计量，只要三个模型中至少有一个被正确指定，估计量仍保持一致，显著提升可靠性。
• 针对二值结果，推导出保证位于 [-1, 1] 区间内的有界估计量，确保可解释性并避免不切实际的效应估计。
• 采用半参数推断技术以实现高效性和稳健性，利用 IV 框架下的双重稳健性原理。
• 在双重稳健框架内结合逆概率加权与结果回归，以在模型不确定性下提升估计性能。

实验结果

研究问题

• RQ1 如何在存在未观测混杂因素的情况下，使用工具变量对平均处理效应（ATE）进行非参数识别？
• RQ2 能否将识别假设与估计模型清晰分离，以提升方法论的透明度与灵活性？
• RQ3 哪些估计量在多个观测数据模型下保持一致，以及如何将它们组合以实现多重稳健推断？
• RQ4 如何使二值结果的估计量在 -1 到 1 之间，同时保持高效性与稳健性？
• RQ5 能否构建在多个工作模型均误设时仍保持一致的高效且多重稳健的估计量？

主要发现

• 所提出的识别假设允许在不依赖结果或处理机制的强参数建模的前提下，通过工具变量对 ATE 实现非参数识别。
• 该方法成功地将识别与估计分离，使研究者可在不承诺特定观测数据模型的前提下建立识别。
• 构建了在三种不同观测数据模型下均一致的多个估计量，每种模型基于不同的条件独立性假设。
• 开发了多重稳健估计量，只要三个模型中任意一个被正确指定，估计量仍保持一致，显著增强了稳健性。
• 对于二值结果，所提出的估计量被限制在 -1 到 1 之间，确保效应估计处于理论有效范围内。
• 模拟和数据分析表明，所提出的估计量在模型误设情况下仍能实现高效率并保持良好的小样本性能。