局部干扰:在半参数因果模型中消除干扰偏差

干扰偏差是真实场景中识别因果效应的主要障碍。例如,疫苗接种能够减少病毒在人群中的传播,从而使所有人受益——即便是未接种者也是如此。这是一种偏差来源,在希望了解疫苗对个体免疫系统的真实效应时必须加以考虑。先前处理干扰偏差的方法需要以完整描述单元间干扰的图交互网络形式提供强领域知识。此外,它们还对干扰的形式施加额外约束,例如限制为线性结果模型,并假设单元所经历的干扰不依赖于该单元的协变量。本文工作针对这些不足展开。首先,我们给出并论证了局部干扰因果模型的一个新定义。我们证明,在满足该定义的某些半参数模型中,真实平均因果效应(True Average Causal Effect,一种已消除干扰的因果度量)是可识别的。这些模型允许非线性,并且允许干扰依赖于单元的协变量。我们在此类设定下给出了真实平均因果效应的解析可估量。我们进一步证明,在具有局部干扰的任意模型中,真实平均因果效应不可识别,从而表明识别需要半参数假设。最后,我们在仿真数据集与真实世界数据集上对所提方法进行了经验验证。