Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

要約

条件付き平均治療効果 (CATE) 推定のための最先端の方法では、表現学習が広く利用されています。
ここでの考え方は、（潜在的に制約された）低次元表現によって低サンプル CATE 推定の分散を削減することです。
ただし、低次元表現では観測された交絡因子に関する情報が失われる可能性があり、バイアスが生じるため、CATE 推定のための表現学習の妥当性が通常侵害されます。
この論文では、CATE推定における次元削減（または表現上の他の制約）から生じる表現誘発性の交絡バイアスの限界を推定するための、表現に依存しない新しい反論フレームワークを提案します。
まず、低次元 (制約された) 表現が与えられた場合、どのような条件下で CATE が識別不可能になるかを理論的に確立します。
第二に、私たちの救済策として、CATEの部分的な同定を実行する、または同等に、表現によって引き起こされる交絡バイアスの下限と上限を推定することを目的とした神経的反論フレームワークを提案します。
一連の実験で境界の有効性を実証します。
要約すると、私たちの反論の枠組みは、CATE 推定の妥当性が重要である実際の現場に直接関連しています。

要約(オリジナル)

State-of-the-art methods for conditional average treatment effect (CATE) estimation make widespread use of representation learning. Here, the idea is to reduce the variance of the low-sample CATE estimation by a (potentially constrained) low-dimensional representation. However, low-dimensional representations can lose information about the observed confounders and thus lead to bias, because of which the validity of representation learning for CATE estimation is typically violated. In this paper, we propose a new, representation-agnostic refutation framework for estimating bounds on the representation-induced confounding bias that comes from dimensionality reduction (or other constraints on the representations) in CATE estimation. First, we establish theoretically under which conditions CATE is non-identifiable given low-dimensional (constrained) representations. Second, as our remedy, we propose a neural refutation framework which performs partial identification of CATE or, equivalently, aims at estimating lower and upper bounds of the representation-induced confounding bias. We demonstrate the effectiveness of our bounds in a series of experiments. In sum, our refutation framework is of direct relevance in practice where the validity of CATE estimation is of importance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google