[论文解读] On the Distinction Between "Conditional Average Treatment Effects" (CATE) and "Individual Treatment Effects" (ITE) Under Ignorability Assumptions

Brian Vegetabile|arXiv (Cornell University)|Aug 10, 2021

Advanced Causal Inference Techniques参考文献 14被引用 8

一句话总结

本文澄清了在忽略性假设下，估计‘个体处理效应’（ITE）的方法实际上估计的是条件平均处理效应（CATE），而非真正的个体层面效应。它表明ITE与CATE是不同的估计量，且仅靠忽略性不足以识别ITE，即使在随机化试验中也是如此，原因在于存在未观测的混杂因素或模型误设。

ABSTRACT

Recent years have seen a swell in methods that focus on estimating "individual treatment effects". These methods are often focused on the estimation of heterogeneous treatment effects under ignorability assumptions. This paper hopes to draw attention to the fact that there is nothing necessarily "individual" about such effects under ignorability assumptions and isolating individual effects may require additional assumptions. Such individual effects, more often than not, are more precisely described as "conditional average treatment effects" and confusion between the two has the potential to hinder advances in personalized and individualized effect estimation.

研究动机与目标

• 在忽略性假设下，澄清个体处理效应（ITE）与条件平均处理效应（CATE）在概念和统计上的区别。
• 挑战机器学习和因果推断文献中，特别是在个性化医疗领域，ITE与CATE的常见混淆。
• 证明即使在对可观测协变量进行条件化的情况下，忽略性也无法保证识别出真正的个体层面效应。
• 强调未观测混杂因素可能导致ITE估计值与真实个体效应在符号或大小上存在差异。
• 倡导在追求个体层面推断时使用更精确的术语和更强的假设。

提出的方法

• 使用Neyman-Rubin潜在结果框架，将ITE与CATE正式定义为不同的估计量。
• 应用强忽略性假设（即 A ⊥ Y(1), Y(0) | X）以表明在此条件下仅CATE可非参数识别。
• 构建一个包含未观测混杂因素（Z）的反例，以表明即使忽略性成立，ITE仍可能与CATE符号相反。
• 分析随机对照试验（RCTs），表明根据条件集的不同，可能估计出多个、潜在相互矛盾的CATE。
• 使用带有未观测Z的二次结果函数，说明当对X的不同子集进行条件化时，CATE可能表现出相反的趋势（例如，正相关与负相关二次关系）。
• 提出估计ITE需要超越忽略性的额外假设，例如个体内部重复测量或病例交叉设计。

实验结果

研究问题

• RQ1 在忽略性条件下，什么情况下可以识别条件平均处理效应（CATE）？
• RQ2 为何在观察性研究中将估计的个体层面效应等同于CATE是错误的？
• RQ3 即使忽略性成立，ITE估计值如何可能与真实个体效应在符号或大小上不同？
• RQ4 在单个随机对照试验中，根据条件集的不同，是否可能识别出多个相互冲突的CATE？
• RQ5 除了忽略性之外，还需要哪些额外假设才能识别出真正的个体处理效应（ITE）？

主要发现

• 在忽略性条件下，仅CATE可非参数识别；ITE在缺乏更强假设的情况下无法识别。
• 当未观测混杂因素（Z）与处理和可观测协变量相互作用时，ITE估计值可能与真实个体效应符号相反。
• 在随机化试验中，可估计出多个CATE——例如，E[Y(1)−Y(0)|X₁=x₁] 和 E[Y(1)−Y(0)|X₂=x₂]——其函数形式可能相反（如正相关与负相关二次关系）。
• 即使在RCT中，未观测混杂因素也会阻碍ITE的识别，表明随机化本身并不能确保个体层面推断。
• CATE并不等同于ITE，尽管两者可能相关；将二者混淆可能误导个性化医疗的应用。
• 当怀疑存在未观测混杂时，可能需要进行敏感性分析或构造分析界限，以评估给定估计CATE下ITE的合理范围。