[论文解读] Inverse Conditional Probability Weighting with Clustered Data in Causal Inference

Zhulin He|arXiv (Cornell University)|Aug 5, 2018

Advanced Causal Inference Techniques参考文献 45被引用 8

一句话总结

本文提出逆条件概率加权（ICPW）方法，用于在存在未测量的簇特定混杂因素的聚类数据中稳健估计平均处理效应。通过利用充分统计量和条件概率加权，ICPW 即使在未测量混杂因素与协变量及结果相关时仍保持无偏，相较于标准 IPW 方法，在模型误设和偶然参数问题下表现更优。

ABSTRACT

Estimating the average treatment causal effect in clustered data often involves dealing with unmeasured cluster-specific confounding variables. Such variables may be correlated with the measured unit covariates and outcome. When the correlations are ignored, the causal effect estimation can be biased. By utilizing sufficient statistics, we propose an inverse conditional probability weighting (ICPW) method, which is robust to both (i) the correlation between the unmeasured cluster-specific confounding variable and the covariates and (ii) the correlation between the unmeasured cluster-specific confounding variable and the outcome. Assumptions and conditions for the ICPW method are presented. We establish the asymptotic properties of the proposed estimators. Simulation studies and a case study are presented for illustration.

研究动机与目标

• 解决聚类数据中由于未测量的簇特定混杂变量导致的平均处理效应估计偏差问题。
• 开发一种在未测量混杂因素与观测协变量和结果均相关时仍保持稳健的方法。
• 避免对未测量簇特定混杂因素的分布或性质做出强假设（例如，随机效应或固定效应）。
• 为不完全掌握簇水平信息的设定提供理论基础扎实、渐近有效的因果推断估计量。
• 为标准 IPW 方法提供一种实用替代方案，以避免在聚类数据中因偶然参数问题或模型误设导致的缺陷。

提出的方法

• ICPW 利用簇水平数据的充分统计量，构建用于调整未测量簇特定混杂因素的逆概率权重。
• 该方法基于每个簇内协变量的充分统计量进行条件处理，从而对未测量混杂因素的相关性保持稳健。
• 其权重基于给定充分统计量的处理条件概率推导得出，避免了对未测量混杂因素的直接建模。
• 估计量通过利用充分统计量诱导的条件独立结构构建加权估计方程而形成。
• 在常规条件下建立了渐近性质，包括估计量的一致性和渐近正态性。
• 该方法避免了对未测量混杂因素假设为随机或固定效应，从而降低了模型依赖性。

实验结果

研究问题

• RQ1 能否开发一种因果推断方法，使其在未测量的簇特定混杂因素与观测协变量和结果均相关时仍保持无偏？
• RQ2 是否可能构建一种加权方法，无需直接建模未测量混杂因素或假设其分布？
• RQ3 在存在簇水平混杂因素的情况下，ICPW 相较于具有随机或固定效应的标准 IPW 表现如何？
• RQ4 ICPW 估计量在标准正则条件下具有何种渐近性质？
• RQ5 ICPW 是否能在实际聚类数据中有效应用，且仅依赖有限的簇水平信息？

主要发现

• 在温和正则条件下，ICPW 估计量具有一致性和渐近正态性，确保了可靠的推断。
• 在模拟研究中，当未测量混杂因素与协变量和结果相关时，ICPW 在性能上优于采用随机效应和固定效应的 IPW 方法。
• 在案例研究中，ICPW 对母亲吸烟对出生体重的平均因果效应估计为 -227.6 克，95% 置信区间包含零。
• ICPW 的标准误（402.3）显著小于固定效应 IPW 的标准误（1898.7），表明其精度更高。
• 随机效应 IPW 产生的估计极为不精确（标准误 = 1353.3），置信区间极宽，表明在簇水平混杂因素下存在不稳定性。
• 案例研究结果与模拟发现一致，表明在低出生体重数据中，未测量混杂因素可能与协变量和结果均相关。