[论文解读] Causal Rule Ensemble: Interpretable Inference of Heterogeneous Treatment Effects

Kwonsang Lee, Falco J. Bargagli-Stoffi+1 more|arXiv (Cornell University)|Sep 18, 2020

Advanced Causal Inference Techniques参考文献 43被引用 14

一句话总结

本文提出因果规则集成（CRE）方法，通过决策规则发现具有异质处理效应的可解释子群，确保在估计条件平均处理效应（CATE）时具有高精度和低偏差，同时对底层机器学习算法保持无偏性。CRE 实现了子群的从头发现，并相较于现有黑箱因果机器学习方法提供了更高的可解释性。

ABSTRACT

In social and health sciences, it is critically important to identify subgroups of the study population where a treatment has a notably larger or smaller causal effect compared to the population average. In recent years, there have been many methodological developments for addressing heterogeneity of causal effects. A common approach is to estimate the conditional average treatment effect (CATE) given a pre-specified set of covariates. However, this approach does not allow to discover new subgroups. Recent causal machine learning (ML) approaches estimate the CATE at an individual level in presence of large number of observations and covariates with great accuracy. Nevertheless, the bulk of these ML approaches do not provide an interpretable characterization of the heterogeneous subgroups. In this paper, we propose a new Causal Rule Ensemble (CRE) method that: 1) discovers de novo subgroups with significantly heterogeneous treatment effects (causal rules); 2) ensures interpretability of these subgroups because they are defined in terms of decision rules; and 3) estimates the CATE for each of these newly discovered subgroups with small bias and high statistical precision. We provide theoretical results that guarantee consistency of the estimated causal effects for the newly discovered causal rules. A nice feature of CRE is that it is agnostic to the choices of the ML algorithms that can be used to discover the causal rules, and the estimation methods for the causal effects within the discovered causal rules. Via simulations, we show that the CRE method has competitive performance as compared to existing approaches while providing enhanced interpretability. We also introduce a new sensitivity analysis to unmeasured confounding bias. We apply the CRE method to discover subgroups that are more vulnerable to the causal effects of long-term exposure to air pollution on mortality.

研究动机与目标

• 解决现有方法在发现新子群方面存在的局限性，而非依赖于预先指定的协变量。
• 开发一种通过决策规则而非黑箱模型实现所发现子群可解释性的方法。
• 在新发现的子群中，以小偏差和高统计精度估计条件平均处理效应（CATE）。
• 为在所发现因果规则内的估计因果效应提供理论一致性保证。
• 引入一种针对子群因果推断中未测量混淆偏差的新敏感性分析。

提出的方法

• CRE 采用两阶段框架：首先，利用任意选定的机器学习算法发现因果规则（子群），该算法可识别与异质处理效应相关的协变量组合。
• 其次，使用灵活且模型无关的估计方法，在每个发现的规则内估计 CATE，以确保低偏差和高精度。
• 该方法对用于规则发现的机器学习算法选择和用于 CATE 的估计技术均保持无偏性，从而可与各种最先进的模型集成。
• 因果规则被定义为协变量条件的逻辑组合（例如，年龄 > 65 且吸烟状态 = 当前），以确保可解释性。
• 在潜在数据生成过程满足正则性条件的前提下，为在所发现规则内估计的因果效应建立了理论一致性结果。
• 引入了一种新的敏感性分析，以评估潜在未测量混淆对结果的影响。

实验结果

研究问题

• RQ1 是否存在一种方法，能够在不依赖预先指定协变量的前提下，发现具有显著异质处理效应的新子群？
• RQ2 如何通过基于规则的表示增强子群层面因果效应的可解释性？
• RQ3 与现有方法相比，所提出方法在估计发现子群中 CATE 的统计性能如何？
• RQ4 研究结果对未测量混淆的稳健性如何，能否进行定量评估？
• RQ5 该方法能否有效应用于现实世界问题，例如评估长期空气污染暴露对死亡率的影响？

主要发现

• 与现有方法相比，CRE 方法在估计异质子群的 CATE 时表现出具有竞争力的性能，且通过基于规则的子群定义提供了额外的可解释性优势。
• 在所发现因果规则内估计的因果效应已建立理论一致性，确保在标准正则性条件下实现可靠推断。
• 该方法在通过基于规则的发现识别的子群中，对处理效应的估计表现出高统计精度和低偏差。
• 成功引入并应用了一种针对未测量混淆的新敏感性分析，增强了因果推断的信心。
• 在一项真实世界应用中，CRE 成功识别出对长期空气污染暴露对死亡率因果效应更敏感的子群。
• 该方法在规则发现和 CATE 估计所用底层机器学习算法的选择上保持灵活性和无偏性，从而具备广泛适用性。