Technische Zusammenfassung: Kausale Inferenz mit kategorischem unbeobachtbarem Confounder mittels Mischungs-Lernen

Problemstellung

Die Schätzung kausaler Effekte aus Beobachtungsdaten wird grundlegend durch unbeobachtbare Confounder herausgefordert – latente Variablen, die sowohl die Behandlungszuweisung als auch die Ergebnisse beeinflussen. Standardmethoden wie Regression oder Propensity-Score-Matching versagen, wenn diese Confounder nicht gemessen werden, was zu verzerrten Schätzungen führt (z. B. Simpson-Paradoxon).

Die bestehende Literatur versucht, dieses Problem über zwei Hauptansätze zu adressieren, die beide Einschränkungen aufweisen:

1. Proximale Kausale Inferenz: Nutzt Proxy-Variablen (negative Kontrollen), um kausale Effekte zu identifizieren. Aktuelle Rahmenwerke (z. B. Miao et al., 2018; Tchetgen Tchetgen et al., 2020) erfordern jedoch, dass Proxies starr in asymmetrische Rollen klassifiziert werden: behandlungsinduzierende Proxies, ergebnisinduzierende Proxies und gemeinsame Ursachen. In der Praxis ist es oft schwierig, Variablen zu finden, die diese spezifischen, asymmetrischen Bedingungen erfüllen.
2. Multiple Behandlungen (der „Deconfounder"): Nutzt multiple bedingt unabhängige Behandlungen, um latente Strukturen abzuleiten (Wang und Blei, 2019). Obwohl konzeptionell vielversprechend, sind die Identifizierbarkeitsbedingungen für diesen Ansatz umstritten (Ogburn et al., 2019), und bestehende Schätzmethoden verlassen sich häufig auf heuristische Algorithmen (z. B. Expectation-Maximization), die keine Garantien für globale Konvergenz oder Konsistenz bei endlichen Stichproben bieten.

Dieser Artikel schließt die Lücke, indem er nachweist, dass kausale Effekte sowohl in Multi-Proxy- als auch in Multi-Behandlungs-Szenarien identifizierbar sind, wenn der unbeobachtbare Confounder kategorisch ist (eine endliche Anzahl von Werten annimmt). Die Autoren schlagen einen Rahmen vor, der auf Mischungs-Lernen und Tensor-Zerlegung basiert, um die latente Confounder-Struktur wiederherzustellen, ohne eine asymmetrische Proxy-Klassifizierung oder heuristische Schätzung zu erfordern.

Methodik

Die zentrale Erkenntnis besteht darin, dass, wenn der latente Confounder $U$ kategorisch ist und mindestens drei bedingt unabhängige Ansichten (Proxies oder Behandlungen) vorliegen, das Identifizierungsproblem auf die Wiederherstellung einer endlichen Mischungsverteilung reduziert wird. Die Autoren nutzen die Momentenmethode mittels Tensor-Zerlegung, um dies zu erreichen.

1. Multi-Proxy-Szenario

Der Rahmen geht von einem latenten Confounder $U \in \{1, \dots, K\}$ und $p \ge 3$ Proxy-Variablen $Z_1, Z_2, Z_3$ aus, die gegeben $U$ bedingt unabhängig sind. Im Gegensatz zu früheren Arbeiten müssen diese Proxies nicht in spezifische kausale Rollen klassifiziert werden; sie werden symmetrisch behandelt.

• Identifizierung: Unter den Annahmen der bedingten Unabhängigkeit und der linearen Unabhängigkeit der bedingten Maße sind die Parameter der Mischungsverteilung (Mischgewichte $\pi_u$ und Komponentendichten $P_{v,u}$) bis auf Permutation strikt identifizierbar (Allman et al., 2009).
• Schätzverfahren:
  1. Unüberwachtes Tensor-Lernen: Anwendung einer robusten Tensor-Zerlegung (Anandkumar et al., 2014) auf die gemeinsame Verteilung der Proxies, um die Mischgewichte $\hat{\pi}$ und Komponentendichten $\hat{f}_{v,u}$ zu schätzen.
  2. Wiederherstellung der Posterior-Wahrscheinlichkeit: Berechnung der Posterior-Wahrscheinlichkeit des latenten Zustands für jede Einheit: $\hat{w}_u(Z) = P(U=u|Z)$.
  3. Schätzung des Behandlungsmodells: Regression der Behandlung $A$ auf Merkmale, gewichtet mit den wiederhergestellten Posterior-Wahrscheinlichkeiten, um clusterspezifische Behandlungsparameter zu schätzen.
  4. Schätzung des Ergebnismodells: Aktualisierung der Posterior-Wahrscheinlichkeiten unter Berücksichtigung der Behandlungszuweisung ($P(U=u|A, Z)$) und Regression des Ergebnisses $Y$ auf Merkmale, gewichtet mit diesen aktualisierten Posterior-Wahrscheinlichkeiten, um clusterspezifische Ergebnisparameter zu schätzen.
  5. Berechnung des kausalen Effekts: Berechnung des Average Treatment Effect (ATE) und des Conditional Average Treatment Effect (CATE) durch Integration über die wiederhergestellte latente Struktur.

2. Multi-Behandlungs-Szenario

Der Rahmen erstreckt sich auf Szenarien ohne Proxies, aber mit mehreren (mindestens drei) bedingt unabhängigen Behandlungen $A_1, A_2, A_3$.

• Identifizierung: Ähnlich wie im Proxy-Szenario ermöglicht die gemeinsame Verteilung der Behandlungen die eindeutige Identifizierung der latenten Mischungsparameter.
• Schätzung: Eine Tensor-Zerlegung wird direkt auf die Behandlungsvariablen angewendet, um die latente Prior-Wahrscheinlichkeit und Emissionswahrscheinlichkeiten wiederherzustellen. Diese werden dann verwendet, um gewichtete Merkmale für eine abschließende Regression auf das Ergebnis zu konstruieren, um kausale Parameter zu schätzen.

3. Theoretische Garantien

Der Artikel liefert nicht-asymptotische Fehlerschranken für den gesamten Schätzprozess.

• Konsistenz bei endlichen Stichproben: Die Autoren leiten Fehlerschranken für den Tensor-Zerlegungsschritt (Schätzung der Posterior-Wahrscheinlichkeiten) ab und leiten diese Fehler durch die nachfolgenden Regressionsstufen weiter.
• Konvergenz: Der vorgeschlagene Algorithmus erreicht Konsistenz bei endlichen Stichproben für den kausalen Parameter (ATE) mit einer Fehlerschranke von $O(\log(\delta) \cdot n^{-\frac{b}{2b+7d}})$, wobei $b$ ein Glätteparameter und $d$ die Dimension der Proxies ist.
• Globale Konvergenz: Im Gegensatz zu EM-Algorithmen gewährleistet die verwendete Tensor-Power-Methode unter milden Nicht-Entartungsbedingungen eine globale Konvergenz.

Hauptbeiträge

1. Gelockerte Proxy-Annahmen: Der Artikel führt ein Multi-Proxy-Rahmenwerk für kausale Inferenz ein, das keine starre Klassifizierung von Proxies in negative Kontroll-Expositionen oder Ergebnisse erfordert. Es wird lediglich eine Sammlung von drei oder mehr bedingt unabhängigen Proxies benötigt.
2. Identifizierbarkeit und Schätzung: Die Autoren etablieren die Identifizierbarkeit von Modellparametern und kausalen Schätzergrößen (ATE, CATE) für sowohl Multi-Proxy- als auch Multi-Behandlungs-Szenarien unter der Annahme eines kategorischen latenten Confounders.
3. Algorithmische Stabilität: Sie schlagen ein effizientes Schätzverfahren basierend auf Tensor-Zerlegung vor, das Garantien für globale Konvergenz bietet und die Probleme lokaler Optima vermeidet, die bei variationsbasiertem Inferenz oder EM üblich sind.
4. Theorie endlicher Stichproben: Der Artikel liefert rigorose Fehlerschranken für endliche Stichproben für die nichtparametrische Schätzung latenter Posterior-Verteilungen und der nachfolgenden kausalen Parameter, die in einer Konsistenzgarantie für den ATE gipfeln.
5. Nichtparametrische Verallgemeinerung: Die Identifizierbarkeitsresultate werden auf einen breiteren nichtparametrischen Rahmen erweitert (Satz 5.2), wobei die spezifische algorithmische Implementierung für den vollständig nichtparametrischen Fall als zukünftige Arbeit gekennzeichnet wird.

Experimentelle Ergebnisse

Die Autoren validieren ihre Methode durch Simulationen und Analysen realer Daten:

• Simulationen: Sowohl in Multi-Proxy- als auch in Multi-Behandlungs-Szenarien zeigt der vorgeschlagene Schätzer eine Konvergenz zu den wahren kausalen Koeffizienten mit zunehmender Stichprobengröße und performt gut, selbst bei begrenzten Daten.
• Reale Daten (BWGHT-Datensatz): Die Methode wurde angewendet, um den Effekt des mütterlichen Rauchens auf das Geburtsgewicht von Säuglingen zu schätzen. Der unbeobachtbare Confounder wurde als latenter sozioökonomischer Familienstatus identifiziert.
  • Unter Verwendung von drei Proxies (Familien-einkommen, Bildung des Vaters, Bildung der Mutter) stellte die Tensor-Zerlegung eine trivalente latente Struktur wieder her ($K=3$).
  • Die resultierenden Cluster stimmten mit dem epidemiologischen Konsens überein (hochriskante benachteiligte, inkonsistente mittlere und hochbegünstigte schützende Klassen).
  • Der geschätzte kausale Effekt des Rauchens war über alle latenten Schichten hinweg negativ, was frühere Befunde zur rauchinduzierten fetalen Wachstumsrestriktion untermauert.

Bedeutung und Behauptungen

Der Artikel behauptet, eine „konkrete Brücke zwischen Mischungs-Lernen und kausaler Inferenz" zu schlagen. Indem die Autoren das Problem unbeobachtbarer kategorischer Confounder als Problem der Identifizierung latenter Mischungen neu formulieren, vermeiden sie die schlecht gestellten inversen Probleme, die typisch für Integralgleichungsansätze in der proximalen kausalen Inferenz sind.

Die Bedeutung dieser Arbeit liegt in:

• Praktikabilität: Sie entfernt die schwierige Anforderung, asymmetrische negative Kontrollen zu finden, und macht die proximale kausale Inferenz auf Domänen anwendbarer, in denen solche Variablen schwer zu identifizieren sind.
• Theoretische Strenge: Sie bietet die erste konsistente Schätzmethode für das Multi-Behandlungs-Szenario mit Garantien für globale Konvergenz und Fehlerschranken für endliche Stichproben und adressiert damit die theoretischen Lücken in der „Deconfounder"-Literatur.
• Methodische Innovation: Sie demonstriert, dass Tensor-Zerlegung effektiv genutzt werden kann, um latente Confounder-Verteilungen zu „entmischen" und eine konsistente kausale Wiederherstellung in Szenarien zu ermöglichen, die zuvor ohne starke parametrische Annahmen oder nicht testbare Identifizierungsbedingungen als unlösbar galten.

Die Autoren bleiben bezüglich zukünftiger Richtungen bescheiden und stellen fest, dass, obwohl ihre aktuellen Ergebnisse die Proxy-Verteilungen nichtparametrisch behandeln, der Schätzalgorithmus parametrische Formen für die Behandlungs- und Ergebnismodelle annimmt. Die Verallgemeinerung des Rahmens auf ein vollständig nichtparametrisches Setting für die Schätzung wird als natürliche Erweiterung für zukünftige Forschung identifiziert.