[论文解读] New bounds for the Probability of Causation in Mediation Analysis

Rossella Murtas, Alexander Philip Dawid+1 more|arXiv (Cornell University)|Jun 15, 2017

Advanced Causal Inference Techniques参考文献 3被引用 3

一句话总结

本文通过引入部分中介变量的信息，提出了中介分析中因果概率（PC）的新界，改进了忽略中介作用的现有界。通过建模不同暴露水平下结果和中介变量的反事实分布，作者推导出更紧致的上界，这些上界可能大于或小于忽略中介时的上界，具体取决于数据情况，从而在因果推断中对个体层面因果关系提供了更细致的评估。

ABSTRACT

An individual has been subjected to some exposure and has developed some outcome. Using data on similar individuals, we wish to evaluate, for this case, the probability that the outcome was in fact caused by the exposure. Even with the best possible experimental data on exposure and outcome, we typically can not identify this "probability of causation" exactly, but we can provide information in the form of bounds for it. Under appropriate assumptions, these bounds can be tightened if we can make other observations (e.g., on non-experimental cases), measure additional variables (e.g., covariates) or measure complete mediators. In this work we propose new bounds for the case that a third variable mediates partially the effect of the exposure on the outcome.

研究动机与目标

• 解决仅拥有暴露和结果的观察性或实验性数据时，估计个体层面因果关系的挑战。
• 通过在因果路径中引入关于部分中介变量的信息，改进现有对因果概率（PC）的界。
• 提供一个框架，在中介变量数据可用时，生成更紧致、更具信息量的PC界，且不假设完全中介。
• 阐明在何种情况下，了解部分中介会改善或恶化界，相较于忽略中介的情况。
• 将基于反事实的因果推断扩展至具有个体因果关系明确界值的中介设定。

提出的方法

• 作者使用潜在结果和反事实方法，建模在不同暴露水平X下，结果Y和中介M的联合分布。
• 通过将联合反事实分布分解为涉及P(Y*(x,m)=0)和P(M(x)=m)的项（x ∈ {0,1}, m ∈ {0,1}），推导出因果概率（PC）的上下界。
• 上界计算为四个项的和，对应M(0)与M(1)分别与Y*(0,m)和Y*(1,m)的所有组合，且满足每个个体仅能观测到Y(0)或Y(1)之一的约束。
• 该方法通过允许Y*(x,m)在不同m下取值不同，来考虑部分中介，这与完全中介中Y*(x,0) = Y*(x,1)的情况不同。
• 将所得界与忽略中介的标准界进行比较，并选择更紧致的界。
• 通过两个使用已知中介概率的实验数据的实证例子验证了该方法。

实验结果

研究问题

• RQ1 将部分中介变量的信息纳入分析，是否能比忽略中介得到更紧致的因果概率（PC）界？
• RQ2 在何种条件下，了解部分中介会改善或恶化PC的上界？
• RQ3 当不考虑中介变量时，新界与现有界在个体层面因果关系评估中的表现如何比较？
• RQ4 在获得中介数据时，PC界理论上可改进的极限是什么？
• RQ5 该框架能否扩展以同时包含协变量和中介变量，用于PC的界估计？

主要发现

• 在一个实验数据示例中（表3），考虑中介变量后，PC的上界从1.00降至0.81，显示出显著改进。
• 在另一个示例中（表4），包含中介信息后，上界从0.88上升至0.95，表明中介数据有时会使界变差。
• 在部分中介情况下，上界永远不会超过忽略中介时上界的两倍，这是由于四项之和不能超过2×P(Y=0|X←0)或2×P(Y=1|X←1)的约束。
• 纳入中介信息后，下界保持不变，意味着仅上界受到影响。
• 在完全中介情况下，上界始终小于或等于忽略中介时的界，证实完全中介信息永远不会比无中介信息更差。
• 作者结论：研究人员应同时计算忽略中介和考虑中介的两个界，并选取较小的上界，以确保PC的区间尽可能紧致。