非参数因果图模型中总体平均处理效应估计的有效调整集
统计理论
2019-12-18 v2 机器学习
机器学习
统计理论
摘要
协变量调整方法常用于观测研究中总体平均处理效应的估计。从假定的因果图模型确定所有有效协变量调整集的图规则已为人熟知。近期一篇文章限制关注因果线性模型,推导了两个新图准则:一个用于比较控制某些不同调整集的线性回归处理效应估计量的渐近方差,另一个用于识别在一致调整最小二乘估计量中给出具有最小渐近方差的最小二乘处理效应估计量的最优调整集。本文表明,当处理效应通过涉及非参数调整干预均值估计量的对比来估计时,相同的图准则可用于非参数因果图模型。我们还提供了一个用于确定极小调整集中最优调整集的图准则,该准则对线性和非参数估计量均有效。我们给出了一个用于比较时依调整集的图准则,即由调整未来处理且自身受早期处理影响的协变量组成的集合。我们通过例子表明,一致最优时依调整集并非总存在。此外,对于点干预,我们提供了一个可靠且完备的图准则,用于判定非参数最优调整干预均值估计量或干预均值对比估计量,是否与利用非参数因果图模型中条件独立信息的高效同参数估计量一样高效。
引用
@article{arxiv.1912.00306,
title = {Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models},
author = {Andrea Rotnitzky and Ezequiel Smucler},
journal= {arXiv preprint arXiv:1912.00306},
year = {2019}
}
备注
Fixed a typo in Example 1, an arrow was missing from L1 to Y in the DAG and L1 was missing in the second adjustment set