[论文解读] On Multi-Cause Causal Inference with Unobserved Confounding: Counterexamples, Impossibility, and Alternatives

Alexander D’Amour|arXiv (Cornell University)|Feb 27, 2019

Advanced Causal Inference Techniques参考文献 16被引用 28

一句话总结

本文挑战了近期关于多原因因果推断可在无参数假设下克服未观测混杂因素的主张。通过分析性反例证明非参数识别是不可能的，并提出代理变量和敏感性分析作为在存在潜在混杂因素的高维设置下实现稳健因果推断的可行替代方案。

ABSTRACT

Unobserved confounding is a central barrier to drawing causal inferences from observational data. Several authors have recently proposed that this barrier can be overcome in the case where one attempts to infer the effects of several variables simultaneously. In this paper, we present two simple, analytical counterexamples that challenge the general claims that are central to these approaches. In addition, we show that nonparametric identification is impossible in this setting. We discuss practical implications, and suggest alternatives to the methods that have been proposed so far in this line of work: using proxy variables and shifting focus to sensitivity analysis.

研究动机与目标

• 挑战在存在未观测混杂因素时，多原因因果推断可无需参数假设识别因果效应的主张。
• 通过分析性反例证明在此设定下，非参数识别在本质上是不可能的。
• 为现有依赖于不可验证参数假设的方法提供实用替代方案。
• 倡导使用代理变量和敏感性分析作为在未观测混杂因素下进行因果推断的合理、非参数化替代方法。

提出的方法

• 构建两个分析性反例，表明在未观测混杂因素下，相同的观测数据分布可与多个相互矛盾的因果模型相容。
• 证明当存在潜在混杂因子 U 时，无论观察到多少个原因，都无法通过观测数据非参数地识别 do-计算分布 P(Y|do(A))。
• 提出使用代理变量——与混杂因子相关但给定 U 后与原因或结果条件独立的变量——以实现非参数识别。
• 将 Miao 等人 (2016) 和 Louizos 等人 (2017) 的代理变量框架适配至多原因设定，以实现无需参数假设的因果估计。
• 推荐将敏感性分析作为后处理方法，用于探索在观测数据下可能成立的因果结论集合，尤其是在对 P(A) 的因子分解作弱假设时。
• 使用带正则化的最大似然估计评估合成数据上的模型性能，表明参数假设会导致无法验证且可能具有误导性的结果。

实验结果

研究问题

• RQ1 当潜在混杂因子 U 同时影响原因 A 和结果 Y 时，多原因因果推断能否在无参数假设下识别 P(Y|do(A))？
• RQ2 近期关于未观测混杂因素下多原因因果推断方法的假设是否足以确保识别？
• RQ3 当在多原因设定下非参数识别不可能时，有哪些实用的替代参数建模方法？
• RQ4 代理变量是否能在存在未观测混杂因素的多原因模型中实现因果效应的非参数识别？
• RQ5 如何利用敏感性分析来探索在存在未观测混杂因素的多原因设定下因果结论的稳健性？

主要发现

• 当存在潜在混杂因子 U 时，无论观察到多少个原因，P(Y|do(A)) 的非参数识别在多原因设定下都是不可能的。
• 两个分析性反例表明，相同的观测数据分布可与多个相互矛盾的因果模型相容，因此唯一识别是不可能的。
• 在此设定下，识别需要参数假设，但这些假设无法仅从数据中验证，导致结果无法检查且可能具有误导性。
• 代理变量——具体而言，一个在给定 U 时与 A 条件独立，另一个在给定 U 时与 Y 条件独立——可实现因果效应的非参数识别。
• 敏感性分析为点估计提供了一种合理替代方案，使研究人员能够在弱假设下映射可能因果效应的无知区域。
• 实证评估表明，当使用代理变量时，正则化对估计值影响可忽略，但估计值仍高度可变，凸显了对更强识别策略的迫切需求。