感知与敏感性分析：针对未观测混杂所致偏误的简易事后分析
摘要
一个普遍公认的真理是：若无已知机制的观测关联，必然渴求一个因果估计。然而，基于观测数据的因果估计通常依赖于“无未观测混杂”这一（不可检验的）假设。该假设的违背会在效应估计中引入偏误。原则上，此类偏误可能使一项研究的结论失效或逆转。但在某些情况下，我们或许希望未观测混杂因素的影响相对于“大”的估计效应较弱，从而定性结论对未观测混杂引起的偏误具有稳健性。本文旨在开发 Austen 图（Austen plots），一种敏感性分析工具，通过使关于未观测混杂所致潜在偏误的推理更为容易，来辅助此类判断。我们根据混杂因素对处理分配和结局的影响强度形式化混杂强度。对于给定的目标偏误水平，Austen 图显示诱发该水平偏误所需的处理与结局影响的最小值。领域专家随后可主观判断此类强混杂因素是否可信。为辅助该判断，Austen 图额外展示了（组）已观测协变量的估计影响强度。Austen 图推广了 Imbens [Imb03] 的经典敏感性分析方法。关键在于，Austen 图允许任何对已观测数据建模并给出初始估计的方法。我们通过使用多种机器学习方法进行初始数据分析，评估若干真实因果推断问题中的偏误来展示该工具。代码见 https://github.com/anishazaveri/austen_plots
引用
@article{arxiv.2003.01747,
title = {Sense and Sensitivity Analysis: Simple Post-Hoc Analysis of Bias Due to Unobserved Confounding},
author = {Victor Veitch and Anisha Zaveri},
journal= {arXiv preprint arXiv:2003.01747},
year = {2020}
}
备注
"Austen" is Jane Austen, in service of the pun in the title. Paper published at NeurIPS 2020. Arxiv version has identical content but nicer formating. NeurIPS spotlight talk here: https://nips.cc/virtual/2020/public/poster_7d265aa7147bd3913fb84c7963a209d1.html