[论文解读] Combining multiple observational data sources to estimate causal effects

Shu Yang, Peng Ding|arXiv (Cornell University)|Jan 2, 2018

Advanced Causal Inference Techniques参考文献 66被引用 10

一句话总结

本文提出一种通用框架，通过将大规模主观测数据与包含混杂因素信息的小型验证数据结合，提升因果效应估计的效率，同时保持一致性。通过利用基于验证数据的估计器与基于主数据的估计器之间的相关性，并施加校准调整，该方法在无需对未观测混杂因素进行参数建模的前提下，提升了效率，且可使用标准软件程序配合自助法（bootstrap）实现。

ABSTRACT

The era of big data has witnessed an increasing availability of multiple data sources for statistical analyses. We consider estimation of causal effects combining big main data with unmeasured confounders and smaller validation data with supplementary information on these confounders. Under the unconfoundedness assumption with completely observed confounders, the smaller validation data allow for constructing consistent estimators for causal effects, but the big main data can only give error-prone estimators in general. However, by leveraging the information in the big main data in a principled way, we can improve the estimation efficiencies yet preserve the consistencies of the initial estimators based solely on the validation data. Our framework applies to asymptotically normal estimators, including the commonly-used regression imputation, weighting, and matching estimators, and does not require a correct specification of the model relating the unmeasured confounders to the observed variables. We also propose appropriate bootstrap procedures, which makes our method straightforward to implement using software routines for existing estimators.

研究动机与目标

• 通过整合来自较小验证样本的补充混杂因素数据，解决大规模观察性数据集中未观测混杂因素的挑战。
• 在保持一致性的前提下，提升仅使用验证数据时所能达到的因果效应估计效率。
• 开发一种实用、软件友好的方法，避免对未观测混杂因素进行复杂建模，并利用现有估计器。
• 通过灵活的参数调整，实现对主数据与验证数据样本之间异质性的敏感性分析。

提出的方法

• 在无混杂假设下，利用验证数据构建一个一致的初始估计器。
• 从主数据中定义一个误差估计器，该估计器与初始估计器相关，但由于未观测混杂因素而存在偏差。
• 通过将两者估计器之差建模为零估计量，应用校准调整，利用线性组合作为改进效率的手段。
• 基于渐近理论推导出最优调整权重，以最小化方差并保持一致性。
• 提出使用自助法（bootstrap）程序，使现有估计器可借助标准软件实现。
• 在正则条件下，该框架适用于广泛类型的估计器，包括回归插补、逆概率加权和匹配。

实验结果

研究问题

• RQ1 当仅小型验证样本提供未观测混杂因素信息时，如何提升因果效应估计的效率？
• RQ2 能否将大规模主数据与小规模验证数据结合，实现在因果推断中既保持一致性又提高效率？
• RQ3 是否存在一种实用的、无需建模未观测混杂因素与可观测变量之间关系的模型无关方法，以整合多源信息？
• RQ4 如何在估计过程中考虑主数据与验证数据样本之间潜在的异质性？
• RQ5 是否存在一种计算上可行的方法，利用现有软件程序实现高效因果估计？

主要发现

• 所提出的方法在保持无混杂假设下一致性的前提下，相比仅使用验证数据的初始估计器，实现了更高的估计效率。
• 该框架适用于一大类渐近正态估计器，包括回归插补、逆概率加权和匹配。
• 该方法无需正确参数化未观测混杂因素与可观测变量之间的关系。
• 基于自助法的推断是可行且实用的，可借助标准软件实现现有估计器的计算。
• 通过引入参数 δ 可以量化主数据与验证数据估计器之间的系统性差异，从而实现敏感性分析。
• 该方法对模型误设具有鲁棒性，在验证样本并非主数据简单随机抽样的情况下仍保持有效性。