[论文解读] Nonparametric Double Robustness

Ashley I. Naimi, Edward H. Kennedy|arXiv (Cornell University)|Nov 20, 2017

Advanced Causal Inference Techniques参考文献 36被引用 11

一句话总结

本文表明，当应用于复杂、高维数据时，非参数双重稳健估计量（如增广逆概率加权和目标最大似然估计）显著优于单重稳健方法（例如g-计算、逆概率加权）。通过蒙特卡洛模拟，研究发现双重稳健性即使在模型误设情况下也能保持估计效率和推断有效性，因此在观察性研究中，非参数双重稳健方法是首选。

ABSTRACT

Use of nonparametric techniques (e.g., machine learning, kernel smoothing, stacking) are increasingly appealing because they do not require precise knowledge of the true underlying models that generated the data under study. Indeed, numerous authors have advocated for their use with standard methods (e.g., regression, inverse probability weighting) in epidemiology. However, when used in the context of such singly robust approaches, nonparametric methods can lead to suboptimal statistical properties, including inefficiency and no valid confidence intervals. Using extensive Monte Carlo simulations, we show how doubly robust methods offer improvements over singly robust approaches when implemented via nonparametric methods. We use 10,000 simulated samples and 50, 100, 200, 600, and 1200 observations to investigate the bias and mean squared error of singly robust (g Computation, inverse probability weighting) and doubly robust (augmented inverse probability weighting, targeted maximum likelihood estimation) estimators under four scenarios: correct and incorrect model specification; and parametric and nonparametric estimation. As expected, results show best performance with g computation under correctly specified parametric models. However, even when based on complex transformed covariates, double robust estimation performs better than singly robust estimators when nonparametric methods are used. Our results suggest that nonparametric methods should be used with doubly instead of singly robust estimation techniques.

研究动机与目标

• 评估在使用单重与双重稳健估计量时，非参数方法在因果推断中的表现。
• 解决将非参数技术应用于单重稳健方法时所面临的局限性，如效率低下和置信区间无效。
• 探究在使用复杂、非参数协变量调整时，双重稳健性是否能稳定估计并缓解模型误设的影响。
• 比较在不同样本大小和数据生成机制下，单重与双重稳健估计量的参数与非参数实现方式。

提出的方法

• 本研究采用10,000次重复的蒙特卡洛模拟，比较四种情景下的估计表现：模型设定正确/错误，以及参数/非参数估计。
• 单重稳健方法包括g-计算和逆概率加权；双重稳健方法包括增广逆概率加权和目标最大似然估计。
• 使用机器学习、核平滑和堆叠等非参数技术对结果和/或倾向得分建模，避免参数假设。
• 在不同样本量（50、100、200、600、1200个观测值）下计算并比较偏差和均方误差（MSE）。
• 分析在模型正确设定与误设情况下的表现，重点关注非参数实现的稳健性。
• 该框架评估双重稳健性在使用非参数方法进行模型拟合时，是否能维持统计有效性与效率。

实验结果

研究问题

• RQ1 在模型误设情况下，非参数实现的单重稳健估计量（如g-计算、逆概率加权）在偏差和均方误差方面的表现如何？
• RQ2 当真实模型未知时，非参数双重稳健估计量（如增广IPW、TMLE）是否相比单重稳健方法表现出更低的偏差和均方误差？
• RQ3 样本量对非参数双重稳健估计量相对于单重稳健方法的表现有何影响？
• RQ4 当使用非参数方法估计结果或倾向得分时，双重稳健性是否能弥补模型误设的影响？

主要发现

• 在正确参数模型设定下，g-计算在偏差和均方误差方面表现最佳。
• 在使用非参数方法时，双重稳健估计量在偏差和均方误差方面始终优于单重稳健估计量。
• 即使在存在复杂变换的协变量时，非参数双重稳健估计量仍保持更低的偏差并提升估计效率，优于单重稳健方法。
• 使用非参数模型的单重稳健方法表现出次优的统计特性，包括无效的置信区间和效率低下。
• 在模型误设情况下，性能提升最为显著，此时双重稳健性为偏差提供了关键保护。
• 结果支持在具有复杂、高维数据的观察性研究中，优先采用非参数双重稳健方法。