Refute estimate
推定の際に仮定した条件が正しいとは限らないため、推定結果の頑
健性(robustness)を確認するための作業
サポートしている手法例
Add Random Common Cause
ランダムに独立な共通因子をモデルに追加
→効果の推定値に差がなければOK!
Placebo Treatment
処置をランダムな変数に置換
→効果の推定値が0に近づけばOK!
X
T Y
独立な共通因子
→推定に関係ない
X
T Y
X
D Y
置換したら効果は
なくなるはず
Slide 18
Slide 18 text
DoWhyによる因果推論の実装(準備)
Google Colabを利用し、必要なライブラリをinstall & import
Colabでグラフ(DAG)を描く際は
pygraphvizのinstallが必要です!
大きく3つ
1. Estimation Methods under Unconfoundedness
2. (Estimation Methods with Instruments)
3. (Estimation Methods for Dynamic Treatment Regimes)
EconMLでできること
※本日、紹介するのは(1)の推定手法です。(2)と(3)の概要はAppendixを参照してください。
Slide 31
Slide 31 text
Estimation Methods under Unconfoundedness
Uncoufoundedness(無交絡性)という条件下における推定手法
Uncoufoundednessとは
共変量Xで条件つけたとき、潜在的な
アウトカム(Y
1
, Y
0
)と処置の割り当てT
は独立であるという仮定
(Y
1
, Y
0
) ⊥ T | X
サポートしている4つの推定手法
1. Double Machine Learning
2. Doubly Robust Learning
3. (Forest Based Estimators)
4. Meta-Learners
※処置を表す記号がDoWhy(v)とEconML(T)で異なるので要注意です
※Uncoufoundedness(無交絡性)は、conditional exchangeability(条件付き交換可能性)とも呼ばれます
→条件付けに必要な共変量Xがすべて観測できている場合には効果的
Slide 32
Slide 32 text
Double Machine Learningの紹介
2段階に分けて効果を推定
Double Machine Learningのイメージ
Y
(アウトカム)
X, W
(共変量)
T
(処置)
1段階目(予測)
2段階目(OLS)
XにおけるCATE(θ(X))を考える
X, W
T
Y X, W T
θ(X) Yの残差 Tの残差
= θ(X) ×
Slide 33
Slide 33 text
Doubly Robust Learningの紹介
「回帰モデル×傾向スコア」でRobustに推定
Doubly Robust Learningのイメージ
Y
(アウトカム)
X, W
(共変量)
T
(処置)
XにおけるCATE(θ(X))を考える
θ(X) 予測モデルY(T=t)
θ
t
(X)= Y(T=t) - Y(T=0)
X, W
T
Y X, W T
回帰モデルg
t
(X,W) 傾向スコアp
t
(X,W)
※どちらかのモデルを正しく設定できればバイアスな
く推定できる→二重(Double)で頑健(Robust)
Slide 34
Slide 34 text
Meta-Learnerのイメージ(処置が1つのケース)
Y
(アウトカム)
X, W
(共変量)
T = 0 or 1
(処置)
XにおけるCATE(θ(X))を考える
θ(X)
Meta-Learnerの紹介
離散的な処置(処置A,B,C,...)に対するCATEを推定する手法
Yの予測モデル
f(T=t, X, W)
Yの予測値
(T=0)
Yの予測値
(T=1)
θ(X)
バックドアパス
上流側にある処置XとアウトカムYの両方に影響を与える流れ
Z1
X
Y
Z2
Z1
X
Y
Z2
Z1
X
Y
Z2
(X→Yの)バックドアパス (X→Yの)バックドアパスではない
Slide 56
Slide 56 text
バックドアパスをブロックする
上流側にある処置XとアウトカムYの両方に影響を与える道を固定
Z1
X
Y
Z2
Z1
X
Y
Z2
Z1
X
Y
Z2
(X→Yの)バックドアパスをブロックするには, Z1かZ2(あるいは両方)を固定すればOK
Slide 57
Slide 57 text
バックドア基準
集合Zが(X,Y)に対して、次の2つの条件を満たせば良い
1. Zに含まれる全てのノードがXの子孫ではない
2. XとYの間でXに向かう有向道すべてをZがブロックする
X Y
Z
X Y
Z
X Y
Z
バックドア基準を満たす バックドア基準を満たさない
Slide 58
Slide 58 text
フロントドア基準
集合Zが(X,Y)について次の3つの条件を満たせば良い
1. ZはX→Yの有向道をすべてブロックする
2. XからZへのバックドアパスは存在しない
3. ZからYへのすべてのバックドアはXによるブロックされている
観測されない交絡因子
X Y
観測されない交絡因子
X Z Y
バックドア基準は満たさない 集合Zが観測できればフロントドア基準を満たす
Slide 59
Slide 59 text
媒介(概要)
直接効果と間接効果を考える
直接効果
ある変数XがアウトカムYに直接与え
る影響
M
T Y
間接効果
ある変数Xが、媒介変数Mを通じてア
ウトカムYに与える影響
M
T Y