[论文解读] Multiply robust dose-response estimation for multivalued causal inference problems

Cian Naik, Emma J. McCoy+1 more|arXiv (Cornell University)|Nov 8, 2016

Advanced Causal Inference Techniques参考文献 17被引用 4

一句话总结

本文通过结合广义倾向得分（GPS）模型与结果回归（OR）模型，提出了一种用于多值处理的多重稳健剂量-反应估计器，确保只要任一模型族中至少有一个模型正确设定，即可实现平均潜在结果的一致估计。该方法将双重稳健估计扩展至多值设定，并通过理论证明与模拟实验展示了其对混杂因素和模型设定错误的稳健性。

ABSTRACT

This paper develops a multiply robust (MR) dose-response estimator for causal inference problems involving multivalued treatments. We combine a family of generalised propensity score (GPS) models and a family of outcome regression (OR) models to achieve an average potential outcomes estimator that is consistent if just one of the GPS or OR models in each family is correctly specified. We provide proofs and simulations that demonstrate multiple robustness in the context of multivalued causal inference problems.

研究动机与目标

• 解决多值处理设定下剂量-反应估计缺乏稳健方法的问题。
• 将此前用于缺失数据的多重稳健估计扩展至多值处理的因果推断。
• 提供一种即使在GPS或OR模型族中大多数模型设定错误时仍保持一致性的方法。
• 通过理论与实证分析，展示该方法在多值因果推断中对混杂因素与函数形式错误设定的稳健性。

提出的方法

• 该方法结合一组广义倾向得分（GPS）模型与一组结果回归（OR）模型，构建平均潜在结果（APO）估计器。
• 采用一种双重稳健估计方程，结合逆概率加权与结果回归，适用于多值处理。
• 若GPS模型族中包含一个正确设定的模型，或OR模型族中包含一个正确设定的模型，则估计器具有一致性。
• 该方法基于缺失数据中多重稳健估计的理论，经调整后适用于潜在结果框架下的因果推断。
• 提出一种数值实现算法，基于多轮估计与GPS及OR模型的模型平均。
• 通过迭代期望定律与无未观测混杂因素假设，证明了估计器的一致性。

实验结果

研究问题

• RQ1 能否将多重稳健估计从缺失数据问题扩展至多值因果推断？
• RQ2 结合多个GPS与OR模型是否能产生一种估计器，使其在任一模型族中仅有一个模型正确设定时仍保持一致性？
• RQ3 在剂量-反应估计中，该方法在存在混杂因素与函数形式错误设定时表现如何？
• RQ4 该方法能否在多值处理设定下，对不同处理水平的平均潜在结果提供准确估计？

主要发现

• 所提出的估计器具有多重稳健性：只要GPS或OR模型族中任一模型正确设定，即可一致估计平均潜在结果。
• 模拟结果表明，该估计器在存在混杂因素与模型设定错误时，偏差保持较低（范围为-0.007至-0.003），且置信区间覆盖良好。
• 即使真实函数形式未知，该方法仍能有效逼近线性和非线性剂量-反应函数。
• 理论证明表明，当GPS或OR模型正确设定时，估计方程中的二阶项将消失，从而确保估计的一致性。
• 估计器具有渐近正态性，并在包括高维与模型错误设定在内的多种模拟情景中保持稳健性能。