[论文解读] Estimating Treatment Effects using Multiple Surrogates: The Role of the Surrogate Score and the Surrogate Index

Susan Athey, Raj Chetty+2 more|arXiv (Cornell University)|Mar 30, 2016

Advanced Causal Inference Techniques参考文献 72被引用 46

一句话总结

本文提出了一种代理指数（Surrogate Index）方法，通过将多个短期结果整合为单一预测评分，以更快速、更精确地估计长期治疗效果。在给定代理指数下，治疗与长期结果条件独立的假设下，该方法仅使用短期数据即可识别长期效果，在一项职业培训应用中将标准误降低了35%，并使早期推断时间从9年缩短至1.5年。

ABSTRACT

Estimating the long-term effects of treatments is of interest in many fields. A common challenge in estimating such treatment effects is that long-term outcomes are unobserved in the time frame needed to make policy decisions. One approach to overcome this missing data problem is to analyze treatments effects on an intermediate outcome, often called a statistical surrogate, if it satisfies the condition that treatment and outcome are independent conditional on the statistical surrogate. The validity of the surrogacy condition is often controversial. Here we exploit that fact that in modern datasets, researchers often observe a large number, possibly hundreds or thousands, of intermediate outcomes, thought to lie on or close to the causal chain between the treatment and the long-term outcome of interest. Even if none of the individual proxies satisfies the statistical surrogacy criterion by itself, using multiple proxies can be useful in causal inference. We focus primarily on a setting with two samples, an experimental sample containing data about the treatment indicator and the surrogates and an observational sample containing information about the surrogates and the primary outcome. We state assumptions under which the average treatment effect be identified and estimated with a high-dimensional vector of proxies that collectively satisfy the surrogacy assumption, and derive the bias from violations of the surrogacy assumption, and show that even if the primary outcome is also observed in the experimental sample, there is still information to be gained from using surrogates.

研究动机与目标

• 解决在政策相关场景（如职业培训和教育）中长期结果观测延迟带来的治疗效果估计挑战。
• 通过将多个中间结果整合为单一代理指数，提升长期影响估计的精度与速度。
• 提出一种即使单个代理失效仍保持有效的估计方法，利用多个短期代理的集体预测能力。
• 开发可行的估计量与验证工具，用于检验代理指数背后的关键条件独立性假设。
• 通过在加州多地点职业培训实验中的应用，展示该方法在效率与及时性方面的显著优势。

提出的方法

• 代理指数被定义为在观测到的短期结果和预处理协变量条件下，长期结果的条件期望，从而有效汇总所有可用的短期信息。
• 该方法依赖于长期结果在给定代理指数的条件下与治疗条件独立的假设，从而降低了对任一单一中间结果作为有效代理的依赖。
• 长期结果的治疗效果被识别为代理指数上的治疗效果，从而实现无需直接观测长期结果即可进行估计。
• 当代理有效性假设被违反时，论文推导了可行的方差界与偏差校正方法，利用额外的辅助结果来验证该假设。
• 提出了利用代理指数结构的高效估计量，即使在观测到长期结果时也能提升估计精度。
• 该方法通过模拟验证，并应用于真实世界的职业培训实验，以短期就业率作为长期就业结果的代理。

实验结果

研究问题

• RQ1 是否可以将多个短期结果整合为单一指数，以准确预测长期治疗效果，即使没有任何单一结果满足标准代理假设？
• RQ2 与传统方法相比，使用代理指数在估计精度和推断速度方面有何差异？
• RQ3 当条件独立性假设被违反时，偏差的可行边界是什么？如何利用辅助数据评估这些边界？
• RQ4 在长期结果观测延迟较长的情境下，代理指数在实证应用中能将标准误降低多少？
• RQ5 如何利用额外观测结果，对代理指数假设的有效性进行实证检验？

主要发现

• 通过代理指数，职业培训项目对9年期就业结果的长期影响可在1.5年内完成估计，等待时间减少超过80%。
• 与直接使用长期结果进行估计相比，该方法将标准误降低了35%，显著提升了估计精度。
• 代理指数方法识别出的治疗效果与完整长期数据分析结果一致，表明其在预测长期影响方面具有高度准确性。
• 即使长期结果已被观测，使用代理指数仍能获得更精确的估计，凸显其效率优势。
• 该方法在模型误设情况下提供了可行的偏差边界，且可利用辅助结果验证关键的条件独立性假设。
• 加州职业培训实验的实证结果证实，将短期就业率整合为代理指数，可实现对长期劳动力市场效应的可靠且快速推断。