隠れた治療の因果推論

多くの実証的設定において、治療変数を直接観察することは非現実的である場合がありますが、その代理測定はしばしば利用可能です。隠れた治療の観察された代理測定のみに基づく因果推論は、追加の仮定や補助データなしでは特に困難です。この問題に対処するために、我々は隠れた治療の代理測定とその代理を慎重に組み合わせて、もし治療がエラーなしに観察された場合に原理的に同定可能である任意のスケールで因果効果を特定する方法を提案します。特定性を超えて、我々のアプローチを使用して特定された因果効果に関する一般的な半パラメトリック理論を提供し、魅力的な複数のロバスト性を持つ大規模な半パラメトリック推定量のクラスを導出します。我々のアプローチに対する大きな障害は、隠れた治療に関する問題関数の推定であり、これにより標準的な機械学習アルゴリズムの直接的な適用が妨げられます。これを解決するために、新しい半パラメトリックEMアルゴリズムを導入し、理論的貢献に実務的な次元を加えます。この方法論は、提案された隠れた治療モデルにおいて、集団平均治療効果、治療を受けた患者に対する治療の効果、分位数治療効果、および限界構造モデル下での因果効果を含む大規模な因果パラメータの分析に適応可能です。我々は、アルツハイマー病のデータを使用して、アルツハイマー病が海馬体積に与える因果効果を推定することを目的としたシミュレーションと応用を通じて、この方法の有限サンプル性能を調べます。