[论文解读] Discussion of "The Blessings of Multiple Causes" by Wang and Blei

Kosuke Imai, Zhichao Jiang|arXiv (Cornell University)|Oct 15, 2019

Advanced Causal Inference Techniques参考文献 12被引用 5

一句话总结

本文评论对王和布莱提出的去混杂方法在未观测混杂条件下的多处理因果推断进行了批判性评估。该方法提出三种替代方案——参数扩展、工具变量和随机干预，以解决其局限性，特别是对强假设的依赖性和对模型误设的敏感性。

ABSTRACT

This commentary has two goals. We first critically review the deconfounder method and point out its advantages and limitations. We then briefly consider three possible ways to address some of the limitations of the deconfounder method.

研究动机与目标

• 评估去混杂方法在存在多处理和未观测混杂因素时的优缺点。
• 识别去混杂方法背后的关键假设，特别是条件独立性和重叠性假设，并评估其在实际中的有效性。
• 提出三种替代方法论途径——参数建模、工具变量和随机干预，以解决去混杂方法的局限性。
• 探讨处理之间因果关系对去混杂方法有效性的影响。
• 探索在固定处理假设存在问题时，使用随机干预作为估计因果效应的稳健替代方案。

提出的方法

• 去混杂方法使用因子模型从观测处理中估计潜在混杂因素（替代混杂因素），假设在给定潜在因子的条件下，各处理之间条件独立。
• 通过在回归模型中调整估计的替代混杂因素来估计平均因果效应，使用公式：$\tau(\bm{a},\bm{a}^\prime) = \mathbb{E}[\mathbb{E}(Y_i|\bm{A}_i=\bm{a},\widehat{\bm{Z}}_i) - \mathbb{E}(Y_i|\bm{A}_i=\bm{a}^\prime,\widehat{\bm{Z}}_i)]$。
• 该方法包含一项诊断检查：在其他处理和估计因子的条件下，每个处理与其余处理条件独立，即 $A_{ij} \perp\!\!\!\perp \bm{A}_{i,-j} \mid \widehat{\bm{Z}}_i$。
• 该方法依赖于关键假设：忽略性（$Y_i(\bm{a}) \perp\!\!\!\perp \bm{A}_i \mid \bm{Z}_i$）、给定潜在因子时处理之间的条件独立性，以及重叠性（$p(\bm{A}_i \in \mathcal{A}^* \mid \bm{Z}_i) > 0$）。
• 本文评论提出使用随机干预作为替代方案，通过 $\delta(p_1,p_0) = \mathbb{E}\left[\int Y_i(\bm{a})p_1(\bm{a})d\bm{a} - \int Y_i(\bm{a})p_0(\bm{a})d\bm{a}\right]$ 估计效应，其估计量为 $\hat{\delta}(p_1,p_0) = \sum_{i=1}^n Y_i \frac{p_1(\bm{A}_i) - p_0(\bm{A}_i)}{\hat{p}(\bm{A}_i|\bm{Z}_i)}$。
• 建议采用基于工具变量的方法以应对处理之间相互影响导致的内生性问题，借鉴计量经济学中的控制函数方法。

实验结果

研究问题

• RQ1 在何种条件下，去混杂方法在存在多处理和未观测混杂因素时能提供有效的因果推断？
• RQ2 处理之间存在因果关系时，条件独立性假设的违反（尤其是由此导致的）如何影响去混杂方法的有效性？
• RQ3 重叠性假设在多大程度上限制了去混杂方法的可推广性，该假设依赖于估计的替代混杂因素？
• RQ4 当去混杂方法因模型误设而失效时，随机干预在多大程度上可作为固定处理因果效应的更稳健替代方案？
• RQ5 使用可解释的因子模型（如主题模型）来定义因果估计中有意义的处理分布，其含义是什么？

主要发现

• 去混杂方法通过在估计因子条件下对处理之间进行条件独立性检查，提供了一种诊断工具，可用于识别潜在的未观测混杂或模型误设。
• 该方法的有效性在很大程度上取决于处理在给定潜在因子条件下条件独立的假设，若处理之间存在因果影响，该假设将被违反。
• 重叠性假设存在问题，因为估计的替代混杂因素 $\widehat{\bm{Z}}_i$ 是观测处理的函数，可能限制处理值的支持集，导致外推问题。
• 去混杂方法在无额外参数限制的情况下无法实现非参数识别，这可能限制其实际应用范围。
• 随机干预提供了一种可行的替代方案，通过估计处理分布的效应而非固定值的效应，避免了重叠性问题，并允许对处理之间的因果关系进行建模。
• 基于工具变量的方法和参数扩展可提高稳健性，尤其在去混杂方法假设被违反或处理效应相互依赖时。