[论文解读] Estimating Population Average Causal Effects in the Presence of Non-Overlap: A Bayesian Approach

Rachel C. Nethery, Fabrizia Mealli+1 more|arXiv (Cornell University)|May 24, 2018

Advanced Causal Inference Techniques被引用 2

一句话总结

本文提出一种贝叶斯框架，通过树集成方法处理数据丰富的区域，利用样条插值方法处理数据稀疏的区域，将因果估计分离为重叠区域与非重叠区域，实现了在重叠有限的情况下对总体平均因果效应的稳健估计，且模型依赖性最小化，同时具备适当的不确定性量化。该方法保留了原始因果 estimand，增强了环境健康研究中的政策相关性。

ABSTRACT

Most causal inference studies rely on the assumption of overlap to estimate population or sample average causal effects. When data exhibit non-overlap, estimation of these estimands requires reliance on model specifications, due to poor data support. All existing methods to address non-overlap, such as trimming or down-weighting data in regions of poor support, change the estimand. In environmental health research, where study results are often intended to influence policy, changes in the estimand can diminish the study's impact, because estimates may not be representative of effects in the population of interest to policymakers. Researchers may be willing to make additional, minimal modeling assumptions in order to preserve the ability to estimate population average causal effects. We seek to make two contributions on this topic. First, we propose a flexible, data-driven definition of propensity score overlap and non-overlap regions. Second, we develop a novel Bayesian framework to estimate population average causal effects with minor model dependence and appropriately large uncertainties in the presence of non-overlap. In this approach, the tasks of estimating causal effects in the overlap and non-overlap regions are delegated to two distinct models, suited to the degree of data support in each region. Tree ensembles are used to non-parametrically estimate individual causal effects in the overlap region, where the data can speak for themselves. In the non-overlap region, where insufficient data support means reliance on model specification is necessary, individual causal effects are estimated by extrapolating trends from the overlap region via a spline model. The promising performance of our method is demonstrated in simulations. Finally, we utilize our method to perform a novel investigation of the causal effect of natural gas compressor station exposure on cancer outcomes.

研究动机与目标

• 解决当数据存在非重叠时估计总体平均因果效应的挑战，此时标准因果推断方法失效。
• 通过避免数据修剪或降权处理来保留原始 estimand——即总体平均因果效应，从而避免目标 estimand 的改变。
• 开发一种在非重叠区域对模型假设依赖最小的方法，同时仍能提供可靠的因果估计并具备适当的不确定性量化。
• 在环境健康研究中实现具有政策相关性的因果推断，其中非重叠现象普遍，且 estimand 完整性至关重要。
• 基于倾向得分分布，提供一种数据驱动的重叠与非重叠区域定义，以指导模型划分。

提出的方法

• 基于倾向得分分布，提出一种数据驱动的重叠与非重叠区域定义，以区分数据支持充分与支持不足的区域。
• 在重叠区域使用树集成模型（如随机森林或因果森林）估计个体因果效应，利用非参数灵活性以适应数据丰富的场景。
• 在非重叠区域采用样条模型对外推重叠区域的趋势，实现在数据稀疏区域的估计，且模型依赖性不可避免时仍可处理。
• 将估计过程解耦：重叠区域使用数据驱动模型，非重叠区域使用基于模型的外推方法，以减少对强参数假设的依赖。
• 实施完整的贝叶斯框架，以一致方式传播两种模型中的不确定性，确保可信区间能反映抽样误差与模型不确定性。
• 通过后验预测检查与模型比较验证性能，确保在模拟研究与实际应用中的稳健性。

实验结果

研究问题

• RQ1 当倾向得分分布存在非重叠时，如何估计总体平均因果效应？
• RQ2 能否开发一种方法，在最小化对非重叠区域强参数假设依赖的同时，保留原始 estimand？
• RQ3 在存在非重叠的情况下，与现有方法相比，采用两模型方法（重叠区域使用树集成，非重叠区域使用样条外推）的性能如何？
• RQ4 所提出的贝叶斯框架如何量化数据支持不足区域的不确定性？
• RQ5 使用该新方法估计天然气压缩机站暴露对癌症结局的因果效应是多少？

主要发现

• 所提出的方法即使在存在非重叠的情况下，也能成功估计总体平均因果效应，且通过修剪或降权处理未改变 estimand。
• 模拟结果表明，该方法保持了低偏差并实现了可信区间适当的覆盖，优于传统方法在非重叠场景下的表现。
• 在重叠区域使用树集成模型能够捕捉个体因果效应中的复杂非线性关系，且不易过拟合。
• 在非重叠区域采用样条外推方法可提供稳定且合理的估计，其不确定性能反映模型依赖性。
• 在真实世界应用中，该方法揭示了天然气压缩机站暴露对某些癌症结局存在统计显著的因果效应，提示具有政策相关性。
• 贝叶斯框架确保在非重叠区域的不确定性估计足够大，真实反映了因数据稀疏导致的真正认识论不确定性。