Sharp Bounds for Generalized Causal Sensitivity Analysis

要約

観察データからの因果関係の推論は、医学や経済学などの多くの分野にとって重要です。
ただし、無交絡性仮定の緩和 (因果感度分析) の下での因果効果の明確な境界は、進行中の研究の対象となります。
これまでのところ、境界が明確な作品は、かなり単純な設定 (単一のバイナリ処理など) に制限されています。
この論文では、さまざまな設定における観察されていない交絡下での因果感度分析のための統一フレームワークを提案します。
このために、限界感度モデル (MSM) の柔軟な一般化を提案し、大きなクラスの因果効果に対する明確な境界を導き出します。
これには、（条件付き）平均治療効果、媒介分析および経路分析の効果、分布効果が含まれます。
さらに、当社の感度モデルは、離散的、連続的、および時間変化する治療に適用できます。
これにより、対象の因果効果を評価しながら、観察されていない交絡のもとでの部分同定問題を潜在交絡因子の分布シフトとして解釈することができます。
単一のバイナリ治療という特殊なケースでは、(条件付き) 平均治療効果の限界は、因果感度分析の最近の最適性の結果と一致します。
最後に、観測データから鋭い境界を推定するためのスケーラブルなアルゴリズムを提案します。

要約(オリジナル)

Causal inference from observational data is crucial for many disciplines such as medicine and economics. However, sharp bounds for causal effects under relaxations of the unconfoundedness assumption (causal sensitivity analysis) are subject to ongoing research. So far, works with sharp bounds are restricted to fairly simple settings (e.g., a single binary treatment). In this paper, we propose a unified framework for causal sensitivity analysis under unobserved confounding in various settings. For this, we propose a flexible generalization of the marginal sensitivity model (MSM) and then derive sharp bounds for a large class of causal effects. This includes (conditional) average treatment effects, effects for mediation analysis and path analysis, and distributional effects. Furthermore, our sensitivity model is applicable to discrete, continuous, and time-varying treatments. It allows us to interpret the partial identification problem under unobserved confounding as a distribution shift in the latent confounders while evaluating the causal effect of interest. In the special case of a single binary treatment, our bounds for (conditional) average treatment effects coincide with recent optimality results for causal sensitivity analysis. Finally, we propose a scalable algorithm to estimate our sharp bounds from observational data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google