[论文解读] Learning sources of variability from high-dimensional observational studies

Eric Bridgeford, Jaewon Chung+7 more|arXiv (Cornell University)|Jul 26, 2023

Advanced Causal Inference TechniquesMathematics被引用 3

一句话总结

本文提出 Causal cDcorr，一种新颖的框架，通过将条件独立性检验转化为普遍一致的因果差异检验，将因果推断推广至高维、任意分布结果变量和名义处理变量。该方法在有限样本下相比现有方法具有更高的有效性与检验效能，尤其在模型误设或协变量不平衡的情况下表现更优。

ABSTRACT

Causal inference studies whether the presence of a variable influences an observed outcome. As measured by quantities such as the "average treatment effect," this paradigm is employed across numerous biological fields, from vaccine and drug development to policy interventions. Unfortunately, the majority of these methods are often limited to univariate outcomes. Our work generalizes causal estimands to outcomes with any number of dimensions or any measurable space, and formulates traditional causal estimands for nominal variables as causal discrepancy tests. We propose a simple technique for adjusting universally consistent conditional independence tests and prove that these tests are universally consistent causal discrepancy tests. Numerical experiments illustrate that our method, Causal CDcorr, leads to improvements in both finite sample validity and power when compared to existing strategies. Our methods are all open source and available at github.com/ebridge2/cdcorr.

研究动机与目标

• 解决现有因果推断方法在处理高维、任意分布结果变量和名义处理变量方面的不足。
• 在一般统计假设下，统一条件独立性检验与因果差异检验。
• 提升在标准假设可能被违反的观测研究中因果推断的有限样本性能。
• 将因果 estimands 扩展至多水平名义处理，超越二值处理。
• 提供一个理论基础坚实、开源的框架，用于稳健的因果结构学习，适用于名义变量。

提出的方法

• 该框架证明，在较弱正则性条件下，任何普遍一致的条件独立性检验均可被重新用作因果差异检验。
• 提出一种观测数据的变换方法，以更好地反映观测研究中的正性假设，尤其在协变量不平衡时。
• 通过修改 cDcorr 检验，引入基于假设的预处理，以增强敏感性与特异性，从而推导出 Causal cDcorr。
• 利用广义倾向得分对样本进行重新加权，提升在连续或多元处理下的有限样本表现。
• 该方法旨在保持渐近理论保证的同时，提升小样本下的经验性能。
• 该框架支持条件与无条件因果差异检验，并可直接扩展至多组（K样本）问题，超越二值处理。

实验结果

研究问题

• RQ1 在一般假设下，条件独立性检验能否系统性地被重新用作因果差异检验？
• RQ2 现有条件独立性检验应如何修改，以在观测研究中提升有限样本的有效性与检验效能？
• RQ3 所提出框架在多于两水平处理的情况下，其泛化能力在多大程度上可扩展至多水平名义处理？
• RQ4 在模型误设或协变量不平衡（高维观测数据中常见）的情况下，该方法表现如何？
• RQ5 能否通过广义倾向得分将该框架扩展至连续或多元处理？

主要发现

• Causal cDcorr 在零假设实验中相比现有方法（如 kernelCDTest）在有限样本有效性方面表现出显著提升。
• 该方法在效应大小较大时表现出更高的统计功效，表明在备择假设下具备更强的检测能力。
• Causal cDcorr 可自然推广至多于两个处理水平，支持多组设置下的因果差异检验。
• 该框架为在较弱正则性条件下将条件独立性检验用作因果差异检验提供了理论依据。
• 即使在标准因果推断的底层假设被违反时，该方法仍能保持经验有效性并提升性能。
• 在 github.com/ebridge2/cdcorr 提供的开源实现，支持结果可重现，并可扩展至因果结构学习的新应用场景。