Causal Estimation of Exposure Shifts with Neural Networks: Evaluating the Health Benefits of Stricter Air Quality Standards in the US

要約

政策研究において、最も重要な分析タスクの 1 つは、継続的な曝露/治療の分布に対する政策関連の変化が関心のある結果に及ぼす因果関係を推定することです。
この問題をシフト応答関数 (SRF) 推定と呼びます。
堅牢な因果効果推定器を含む既存のニューラル ネットワーク手法には、SRF 推定の理論的保証と実用的な実装が不足しています。
公衆衛生における政策に関連する重要な疑問を動機として、私たちは堅牢性と効率性を保証して SRF を推定するためのニューラル ネットワーク手法とその理論的基礎を開発します。
次に、米国全土の 6,800 万人の個人と 2,700 万人の死亡者からなるデータにこの方法を適用し、PM 2.5 に関する米国国家大気環境基準 (NAAQS) を 12 $\mu g/m^3$ から改訂することによる因果影響を推定します。
9 $\μ g/m^3$まで。
この変更は最近、米国環境保護庁 (EPA) によって提案されました。
私たちの目標は、SRF の因果関係の手法を使用して、この予想される改訂によって生じる死亡の減少を初めて推定することです。
私たちが提案した方法は、{T}argeted {R}egularization for {E}xposure {S}hifts with Neural {Net}works (TRESNET) と呼ばれ、因果推論に関するニューラル ネットワークの文献に 2 つの方法で貢献します。1 つ目は、
二重のロバスト性を保証し、SRF 推定に特有の漸近効率を達成する理論的特性を備えた、ターゲットを絞った正則化損失。
2 番目に、指数分布族からの損失関数を使用して、非連続な結果分布 (入院数や死亡数など) に対応できるようにします。
私たちは、TRESNET の幅広い適用性と競争力を実証するベンチマーク実験でアプリケーションを補完します。

要約(オリジナル)

In policy research, one of the most critical analytic tasks is to estimate the causal effect of a policy-relevant shift to the distribution of a continuous exposure/treatment on an outcome of interest. We call this problem shift-response function (SRF) estimation. Existing neural network methods involving robust causal-effect estimators lack theoretical guarantees and practical implementations for SRF estimation. Motivated by a key policy-relevant question in public health, we develop a neural network method and its theoretical underpinnings to estimate SRFs with robustness and efficiency guarantees. We then apply our method to data consisting of 68 million individuals and 27 million deaths across the U.S. to estimate the causal effect from revising the US National Ambient Air Quality Standards (NAAQS) for PM 2.5 from 12 $\mu g/m^3$ to 9 $\mu g/m^3$. This change has been recently proposed by the US Environmental Protection Agency (EPA). Our goal is to estimate, for the first time, the reduction in deaths that would result from this anticipated revision using causal methods for SRFs. Our proposed method, called {T}argeted {R}egularization for {E}xposure {S}hifts with Neural {Net}works (TRESNET), contributes to the neural network literature for causal inference in two ways: first, it proposes a targeted regularization loss with theoretical properties that ensure double robustness and achieves asymptotic efficiency specific for SRF estimation; second, it enables loss functions from the exponential family of distributions to accommodate non-continuous outcome distributions (such as hospitalization or mortality counts). We complement our application with benchmark experiments that demonstrate TRESNET’s broad applicability and competitiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google