具有未观测混杂因素时条件平均处理效应与平均处理效应的界
统计方法学
2022-03-11 v5
摘要
针对观测性研究，我们研究了当处理分配可能依赖于未观测混杂因素时因果推断的敏感性。我们提出了一种损失最小化方法，用于在未观测混杂因素对处理选择优势比具有有界影响时估计条件平均处理效应（CATE）的界。我们的方法具有可扩展性，并允许在估计中灵活使用模型类，包括非参数和黑盒机器学习方法。基于这些CATE的界，我们提出了平均处理效应（ATE）的敏感性分析。我们的半参数估计量在有界未观测混杂下扩展/界定了用于ATE的增广逆倾向加权（AIPW）估计量。通过构造Neyman正交得分，只要 nuisance 参数以的速率估计，我们的ATE界估计量就是一个正则的root-估计量。我们以最优性结果补充了我们的方法，表明我们所提出的界在某些情况下是紧的。我们在模拟和真实数据实例上展示了我们的方法，并表明在具有丰富协变量信息的实际有限样本情形下我们的置信区间具有准确的覆盖。
引用
@article{arxiv.1808.09521,
title = {Bounds on the conditional and average treatment effect with unobserved confounding factors},
author = {Steve Yadlowsky and Hongseok Namkoong and Sanjay Basu and John Duchi and Lu Tian},
journal= {arXiv preprint arXiv:1808.09521},
year = {2022}
}