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

Xu Shi, Wang Miao+1 more|arXiv (Cornell University)|Aug 14, 2018

Advanced Causal Inference Techniques被引用 2

一句话总结

本文提出了一种多重稳健的半参数框架，用于在存在未测量混杂因素的观察性研究中估计平均处理效应，通过双重负向对照并调整多个可观测混杂因素。该研究建立了半参数效率界，并开发了局部高效估计量，即使在模型误设的情况下仍保持一致性。

ABSTRACT

Unmeasured confounding is a threat to causal inference in observational studies. In recent years, use of negative controls to address 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. (2017) have described sufficient conditions under which a pair of negative control exposure-outcome variables can be used to nonparametrically identify average treatment effect from observational data subject to uncontrolled confounding. In this paper, building on their results, we provide a general semiparametric framework for obtaining inferences about the average treatment effect with double negative control adjustment for unmeasured confounding, while accounting for a large number of observed confounding variables. In particular, we derive the semiparametric efficiency bound under a nonparametric model for the observed data distribution, and we propose multiply robust locally efficient estimators when nonparametric estimation may not be feasible. We assess the finite sample performance of our methods under potential model misspecification in extensive simulation studies. We illustrate our methods with an application to the evaluation of the effect of higher education on wage among married working women.

研究动机与目标

• 解决观察性研究中未测量混杂因素这一持续威胁有效因果推断的问题。
• 将负向对照的应用从偏倚检测扩展到实际因果效应识别。
• 开发一个半参数框架，通过双重负向对照调整同时包含可观测和未测量混杂因素的模型。
• 在观测数据分布的非参数模型下推导平均处理效应的半参数效率界。
• 提出对模型误设具有稳健性的估计量，确保当某些工作模型错误时仍能进行有效推断。

提出的方法

• 利用一对负向对照暴露-结果变量，在存在未测量混杂因素的情况下非参数识别平均处理效应。
• 在观测数据分布的非参数模型下推导平均处理效应的半参数效率界。
• 提出多重稳健的局部高效估计量，当多个工作模型中至少有一个正确指定时仍保持一致性。
• 通过半参数框架内的灵活建模方法纳入大量可观测混杂因素。
• 在双重稳健估计方程框架中使用逆概率加权和结果回归，以提高效率和稳健性。
• 采用影响函数估计方法，在正则条件下实现局部高效性和有效推断。

实验结果

研究问题

• RQ1 在存在未测量混杂因素和多个可观测混杂因素的情况下，双重负向对照方法能否非参数识别平均处理效应？
• RQ2 在存在未测量混杂因素的非参数模型下，平均处理效应估计的半参数效率界是什么？
• RQ3 如何构建多重稳健估计量，使其在部分模型误设时仍保持一致性？
• RQ4 在潜在模型误设的情况下，所提出的估计量在有限样本中表现如何？
• RQ5 该方法在教育与工资效应的真实世界应用中的实证表现如何？

主要发现

• 所提出的方法在非参数模型下实现了半参数效率，为因果效应估计提供了理论基准。
• 即使某些结果或倾向得分的工作模型被误设，多重稳健估计量仍保持一致性。
• 模拟研究显示，估计量在各种模型误设情景下均保持良好的有限样本表现。
• 双重负向对照调整在模拟和实证应用中均有效降低了因未测量混杂因素导致的偏倚。
• 在对已婚工作女性的高等教育与工资效应的实证应用中，该方法得出正向且统计显著的平均处理效应估计。
• 当非参数估计不可行时，由于在多重稳健框架中使用了参数工作模型，该方法仍能提供有效推断。