[论文解读] Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding

Nathan Kallus, Xiaojie Mao+1 more|arXiv (Cornell University)|Oct 5, 2018

Advanced Causal Inference Techniques被引用 33

一句话总结

本文提出了一种在未观测混杂因素下对条件平均处理效应（CATE）的精确函数区间估计器，采用对抗加权核回归方法，结合边际敏感性模型。该方法在个体水平因果效应上提供渐近紧致的边界，并可实现最小最大最优个性化决策规则，即使在无混杂性不成立时亦然。

ABSTRACT

We study the problem of learning conditional average treatment effects (CATE) from observational data with unobserved confounders. The CATE function maps baseline covariates to individual causal effect predictions and is key for personalized assessments. Recent work has focused on how to learn CATE under unconfoundedness, i.e., when there are no unobserved confounders. Since CATE may not be identified when unconfoundedness is violated, we develop a functional interval estimator that predicts bounds on the individual causal effects under realistic violations of unconfoundedness. Our estimator takes the form of a weighted kernel estimator with weights that vary adversarially. We prove that our estimator is sharp in that it converges exactly to the tightest bounds possible on CATE when there may be unobserved confounders. Further, we study personalized decision rules derived from our estimator and prove that they achieve optimal minimax regret asymptotically. We assess our approach in a simulation study as well as demonstrate its application in the case of hormone replacement therapy by comparing conclusions from a real observational study and clinical trial.

研究动机与目标

• 解决由于未观测混杂因素导致无混杂性不成立时，估计个体水平因果效应的挑战。
• 开发一种函数区间估计器，为在现实敏感性模型下的CATE提供精确且渐近紧致的边界。
• 通过从估计边界推导出的最小最大最优策略，实现在不确定性下的个性化决策。
• 通过模拟和一项关于激素替代治疗的真实世界应用，对方法进行实证验证。

提出的方法

• 使用随个体变化的对抗权重加权核回归估计器，以反映潜在的未观测混杂因素影响。
• 采用边际敏感性模型（MSM）来限制未观测混杂因素对处理分配影响的比值比。
• 通过在潜在结果与协变量联合分布上的约束优化问题，推导总体水平的CATE边界。
• 通过排序和线性搜索程序高效计算估计器，实现实际应用。
• 通过基于部分可观测协变量的条件化，将框架扩展至部分CATE估计。
• 基于CATE区间上下界推导个性化决策规则，确保在敏感性模型下渐近最小最大后悔最优性。

实验结果

研究问题

• RQ1 当无混杂性不成立时，能否构建个体水平因果效应的精确且非保守的边界？
• RQ2 如何在保持统计效率与可解释性的同时，将未观测混杂因素纳入CATE估计？
• RQ3 基于这些边界的个性化治疗规则在有限样本中能否实现最优最小最大后悔？
• RQ4 在存在隐藏混杂因素的真实世界观察数据中，所提出的边界与朴素CATE估计相比表现如何？

主要发现

• 所提出的区间估计器在假设的敏感性模型下，点态收敛至CATE函数可能的最紧边界，确保了精确性。
• 通过排序与线性搜索算法实现高效计算，使方法可扩展至中等样本规模。
• 基于边界的个性化决策规则在敏感性模型下实现渐近最小最大后悔最优性。
• 在激素替代治疗的模拟与真实数据分析中，该方法正确识别出的受益区域远小于朴素有混杂估计的结果，与临床试验结果一致。
• 即使真实倾向得分是通过数据学习而非假设的，且混杂在协变量间非均匀分布时，边界仍保持稳健。