Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments

要約

観察データから条件付き平均治療効果 (CATE) を推定することは、個別化医療などの多くのアプリケーションに関連します。
ここでは、観察データがさまざまな病院、医師、国などの複数の環境から得られる広範な環境に焦点を当てます。
さらに、標準的な因果関係の仮定の違反、つまり環境内の重複や無交絡性も許容します。
この目的を達成するために、点の識別から離れ、部分的な識別に焦点を当てます。
具体的には、複数の環境に関する文献からの現在の仮定により、環境を操作変数 (IV) として解釈できることを示します。
これにより、環境全体にわたる治療割り当てメカニズムを活用して、CATE の部分的な特定に IV 文献からの境界を適応させることができます。
次に、任意の機械学習モデルと組み合わせて使用​​できる境界を推定するために、さまざまなモデルに依存しない学習器 (いわゆるメタ学習器) を提案します。
さらに、シミュレーション データと現実世界のデータの両方を使用して、さまざまな実験にわたってメタ学習器の有効性を実証します。
最後に、コンプライアンス違反のあるランダム化比較試験などの操作変数設定における部分的な識別に対するメタ学習器の適用可能性について説明します。

要約(オリジナル)

Estimating the conditional average treatment effect (CATE) from observational data is relevant for many applications such as personalized medicine. Here, we focus on the widespread setting where the observational data come from multiple environments, such as different hospitals, physicians, or countries. Furthermore, we allow for violations of standard causal assumptions, namely, overlap within the environments and unconfoundedness. To this end, we move away from point identification and focus on partial identification. Specifically, we show that current assumptions from the literature on multiple environments allow us to interpret the environment as an instrumental variable (IV). This allows us to adapt bounds from the IV literature for partial identification of CATE by leveraging treatment assignment mechanisms across environments. Then, we propose different model-agnostic learners (so-called meta-learners) to estimate the bounds that can be used in combination with arbitrary machine learning models. We further demonstrate the effectiveness of our meta-learners across various experiments using both simulated and real-world data. Finally, we discuss the applicability of our meta-learners to partial identification in instrumental variable settings, such as randomized controlled trials with non-compliance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google