Falsification before Extrapolation in Causal Effect Estimation

要約

ランダム化比較試験（RCT）は、政策ガイドラインを作成する際のゴールドスタンダードである。しかし、RCTはしばしば狭量であり、より広範な対象集団に関するデータが不足している。これらの集団における因果関係は、観察データセットを用いて推定されることが多く、観察不能な交絡や選択バイアスに悩まされることがある。複数の研究による観測的推定値がある場合、偏った観測的推定値を排除するメタアルゴリズムを提案する。検証効果（RCTと観察データの両方から推論できる因果効果）を用いて行う。このテストに合格しない推定値を棄却した後、RCTで観察されなかったサブグループに対する外挿因果効果について、保守的な信頼区間を生成します。少なくとも1つの観測推定量が検証効果と外挿効果の両方について漸近的に正規で一貫しているという仮定のもと、我々のアルゴリズムが出力する区間のカバー確率について保証を提供する。データセット間の因果効果輸送が必要な環境での仮説検証を容易にするため、厄介なパラメータの推定に柔軟な機械学習法を用いた場合でも、グループ平均治療効果の二重ロバスト推定量が漸近的に正規化される条件を与える。本アプローチの特性を半合成データセットと実世界データセットで説明し、標準的なメタアナリシス手法と比較して有利であることを示す。

要約(オリジナル)

Randomized Controlled Trials (RCTs) represent a gold standard when developing policy guidelines. However, RCTs are often narrow, and lack data on broader populations of interest. Causal effects in these populations are often estimated using observational datasets, which may suffer from unobserved confounding and selection bias. Given a set of observational estimates (e.g. from multiple studies), we propose a meta-algorithm that attempts to reject observational estimates that are biased. We do so using validation effects, causal effects that can be inferred from both RCT and observational data. After rejecting estimators that do not pass this test, we generate conservative confidence intervals on the extrapolated causal effects for subgroups not observed in the RCT. Under the assumption that at least one observational estimator is asymptotically normal and consistent for both the validation and extrapolated effects, we provide guarantees on the coverage probability of the intervals output by our algorithm. To facilitate hypothesis testing in settings where causal effect transportation across datasets is necessary, we give conditions under which a doubly-robust estimator of group average treatment effects is asymptotically normal, even when flexible machine learning methods are used for estimation of nuisance parameters. We illustrate the properties of our approach on semi-synthetic and real world datasets, and show that it compares favorably to standard meta-analysis techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL