[论文解读] Incremental causal effects

Dominik Rothenhaüsler, Bin Yu|arXiv (Cornell University)|Jul 30, 2019

Advanced Causal Inference Techniques参考文献 34被引用 5

一句话总结

本文引入增量因果效应作为连续处理的平均处理效应的针对性替代方法，表明在局部 ignorability 和重叠假设下其可识别。研究证明增量效应可通过平均导数估计，对混杂因素更具稳健性，并在有限样本中比平均处理效应具有更低的渐近方差，同时提出一种高维设置下的双重稳健估计器。

ABSTRACT

Causal evidence is needed to act and it is often enough for the evidence to point towards a direction of the effect of an action. For example, policymakers might be interested in estimating the effect of slightly increasing taxes on private spending across the whole population. We study identifiability and estimation of causal effects, where a continuous treatment is slightly shifted across the whole population (termed average partial effect or incremental causal effect). We show that incremental effects are identified under local ignorability and local overlap assumptions, where exchangeability and positivity only hold in a neighborhood of units. Average treatment effects are not identified under these assumptions. In this case, and under a smoothness condition, the incremental effect can be estimated via the average derivative. Moreover, we prove that in certain finite-sample observational settings, estimating the incremental effect is easier than estimating the average treatment effect in terms of asymptotic variance. For high-dimensional settings, we develop a simple feature transformation that allows for doubly-robust estimation and inference of incremental causal effects. Finally, we compare the behaviour of estimators of the incremental treatment effect and average treatment effect in experiments including data-inspired simulations.

研究动机与目标

• 解决平均处理效应在回答涉及处理微小、连续变化的政策相关问题时的局限性。
• 为观察性研究中的增量因果效应制定更弱的识别假设——局部 ignorability 和局部重叠。
• 证明在这些更弱假设下，增量效应是可识别且可估计的，而平均处理效应则不然。
• 展示在有限样本观测设置中，增量效应估计的渐近方差低于平均处理效应估计。
• 基于特征变换与半鞅效率理论，开发一种高维、双重稳健的增量因果效应估计器。

提出的方法

• 将增量因果效应定义为处理发生无穷小变化时期望结果差异的极限：$\mathbb{E}[Y(T+\delta)] - \mathbb{E}[Y(T)]$，其中 $\delta > 0$ 极小。
• 引入局部 ignorability：在每个单位观测处理值的邻域内，潜在结果与处理变量条件独立。
• 定义局部重叠：给定协变量时处理的密度在每个单位的邻域内远离零。
• 在局部 ignorability 和局部重叠下，通过条件均值函数 $\mathbb{E}[Y|X,T]$ 的平均导数，建立增量效应的可识别性。
• 通过将特征变换为包含 $\partial_t \mathbb{E}[Y|X,T]$ 并结合逆概率加权与结果回归，提出一种双重稳健估计器。
• 推导增量效应估计的半鞅效率界，表明当得分函数模型正确设定时，方差最小化。

实验结果

研究问题

• RQ1 增量因果效应是否可在弱于平均处理效应所需假设的条件下被识别？
• RQ2 在有限样本观测设置中，增量效应估计器的渐近方差与平均处理效应估计器相比如何？
• RQ3 混杂因素对增量效应估计的影响如何？其对小规模混杂的稳健性如何？
• RQ4 能否通过特征变换构建一种高维、双重稳健的增量因果效应估计器？
• RQ5 在所提出的模型假设下，增量因果效应估计的半鞅效率界是什么？

主要发现

• 在局部 ignorability 和局部重叠下，增量因果效应是可识别的，而平均处理效应则不是。
• 在光滑性和局部正性条件下，增量效应可通过条件均值函数的平均导数一致估计。
• 在有限样本观测设置中，增量效应估计的渐近方差低于平均处理效应估计。
• 本文推导出一种与流行度相关的界，表明即使人群中一小部分存在混杂，增量效应估计仍保持稳定。
• 通过将问题转化为具有已知得分函数的线性模型的特征变换，构建了一种高维增量效应的双重稳健估计器。
• 增量效应估计的半鞅效率界被推导为 $\text{Var}(\partial_t f^0) + \text{Var}(\epsilon \cdot \partial_t \log p(T|X))$，最优估计器可达到此界。