[论文解读] Multiply Robust Causal Inference with Double Negative Control Adjustment for Categorical Unmeasured Confounding

Xu Shi, Wang Miao+2 more|arXiv (Cornell University)|Aug 14, 2018

Advanced Causal Inference Techniques参考文献 43被引用 11

一句话总结

本文提出了一种多重稳健的半鞅推断框架，用于在存在分类未观测混杂因素的情况下进行因果推断，通过利用一对负向对照暴露变量和结果变量实现。该方法将非参数识别条件放宽至更弱的假设，并开发了即使在多个工作模型中仅有一个被正确设定时仍保持一致的估计量，从而在高维协变量下实现有限样本中的局部效率与稳健性。

ABSTRACT

Unmeasured confounding is a threat to causal inference in observational studies. In recent years, use of negative controls to mitigate unmeasured confounding has gained increasing recognition and popularity. Negative controls have a longstanding tradition in laboratory sciences and epidemiology to rule out non-causal explanations, although they have been used primarily for bias detection. Recently, Miao et al. (2018) have described sufficient conditions under which a pair of negative control exposure and outcome variables can be used to nonparametrically identify the average treatment effect (ATE) from observational data subject to uncontrolled confounding. In this paper, we establish nonparametric identification of the ATE under weaker conditions in the case of categorical unmeasured confounding and negative control variables. We also provide a general semiparametric framework for obtaining inferences about the ATE while leveraging information about a possibly large number of measured covariates. In particular, we derive the semiparametric efficiency bound in the nonparametric model, and we propose multiply robust and locally efficient estimators when nonparametric estimation may not be feasible. We assess the finite sample performance of our methods in extensive simulation studies. Finally, we illustrate our methods with an application to the postlicensure surveillance of vaccine safety among children.

研究动机与目标

• 解决在观测研究中标准无未观测混杂假设被违反时的未观测混杂问题。
• 在分类未观测混杂因素下，将使用负向对照的平均处理效应（ATE）的非参数识别扩展至更弱、更一般的条件。
• 开发一种半鞅推断框架，能够容纳大量可观测混杂因素，同时保持稳健性与效率。
• 推导非参数模型中 ATE 的半鞅效率界，并提出适用于实际应用的多重稳健、局部高效估计量。
• 通过大量模拟和一项真实世界中的上市后疫苗安全监测应用，验证该方法。

提出的方法

• 通过在分类未观测混杂因素下建立较弱完备性条件，扩展了 Miao 等人（2018）的研究，实现 ATE 的非参数识别。
• 提出一种通用的半鞅模型，整合可观测协变量，并利用双重负向对照（暴露和结果）来校正未观测混杂因素。
• 推导非参数模型中 ATE 的半鞅效率界，为最优估计提供基准。
• 提出多重稳健估计量，只要多个工作模型（如结果模型、倾向得分模型或未观测混杂因素分布模型）中任意一个被正确设定，估计量即保持一致。
• 采用双稳健估计方程框架，结合逆概率加权与结果回归，关键识别表达式涉及条件期望与影响函数。
• 运用变量替换法证明在处理反转（A → 1−A）下保持不变性，确保估计方程的对称性与一致性。

实验结果

研究问题

• RQ1 当使用一对负向对照变量时，是否可以在比以往要求更弱的条件下实现平均处理效应的非参数识别？
• RQ2 当存在大量可观测混杂因素时，如何实现 ATE 的高效且稳健的推断？
• RQ3 在存在分类未观测混杂因素与双重负向对照的情况下，ATE 的半鞅效率界是什么？
• RQ4 我们能否构建多重稳健的估计量（即只要多个模型中任意一个正确，估计量即一致），同时保持局部高效性？
• RQ5 在具有现实混杂结构与高维协变量的有限样本中，所提出方法的表现如何？

主要发现

• 本文在弱于 Miao 等人（2018）所要求的完备性条件下，建立了平均处理效应的非参数识别，显著拓宽了负向对照方法的应用范围。
• 所提出的多重稳健估计量在结果模型、处理模型或未观测混杂因素分布模型中任意一个被正确设定时均保持一致，显著提升了实际应用中的稳健性。
• 该方法实现了局部效率，即在所有模型均正确设定时，达到半鞅效率界，确保大样本下方差最小化。
• 模拟研究结果表明，多重稳健估计量在各种模型误设情景下均保持良好的有限样本性能，优于单重稳健的替代方法。
• 在上市后疫苗安全监测的真实应用中，该方法成功检测并校正了因就医行为导致的未观测混杂因素，提供了更可靠的因果估计。
• 理论推导证实，估计方程在三个模型类（M1、M2、M3）的并集中无偏，确保在多种合理模型配置下的一致性。