Chapter 12 IP Weighting and Marginal Structural Model

HernKaTeX parse error: Can't use function '\'' in math mode at position 1: \̲'̲{a}n M. and Robins J. Causal Inference: What If.

这一章介绍如何结合IP weighting 和 参数模型.

12.1 The causal question

12.2 Estimating IP weights via modeling

我们知道, IP weighting:
$$\frac{I(A_i=a)Y_i}{f(A_i|L)},$$
相当于创建了一个伪集合, 即假设所有的人都进行了$A=a$.
显然, 在这个伪集合中, $A,L$是相互独立的.
故我们有
$${\mathbb{E}}_{ps}[Y|A=a]=\sum _l\mathbb{E}[Y|A=a,L=l]\mathrm{P}\mathrm{r}[L=l],$$
当同时满足条件可交换性的时候, 我们就能够得到
$${\mathbb{E}}_{ps}[Y|A=a]=\mathbb{E}[Y^a].$$
所以我们只需要估计${\hat{\mathbb{E}}}_{ps}[Y|A=a]$即可.
自然地, 我们可以假设其符合
$${\theta }_0+{\theta }_{1}A$$
的线性模型.
通过最小二乘法可以估计出上面的参数.
但是需要注意的是, 我们数据不是原始的数据, 而是在伪数据之上, 相当于每一个样本为
$$\frac{Y_i}{f(A_i|L)}.$$
记$W=1/f(A=1|L)$, 以及它的估计$\hat{W}$(因为$f(A|L)$我们也是不知道的, 我们同样可以用参数模型进行估计), 故
$${\hat{\mathbb{E}}}_{ps}[Y|A=1]=\frac{1}{n}\sum _{A_i=1}{\hat{W}}_i{Y}_i.$$

12.3 Stabilized IP weights

实际上, 我们不光可以设置$W=1/f(A|L)$, 实际上可以进一步为
$$\frac{p}{f(A|L)}$$
只需要满足$p$与$L$无关即可.
书上说这种方式的选择会使得最后估计的置信区间更窄也就是跟robust.

12.4 Marginal structural models

$$\mathbb{E}[Y^a]={\beta }_0+{\beta }_{1}a.$$
注意到, 当满足条件可交换性的时候, 上面的推得的模型和这一节的是等价的.

12.5 Effect modification and marginal structural models

$$\mathbb{E}[Y^a|V]={\beta }_0+{\beta }_{1}a+{\beta }_{2}Va+{\beta }_{3}V.$$
这个时候, 我们可以通过$S{W}^A(V)=\frac{f[A|V]}{f[A|V]}$来估计.

12.6 Censoring and missing data

只需考虑$Y^{a,c=0}$, 以及对应的$W=W^A\times W^C$,
$$W^C=1/\mathrm{P}\mathrm{r}[C=0|L,A].$$

Fine Point

Setting a bad example

Checking positivity

Technical Point

Horvitz-Thomson estimators

我们常常会用
$$\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}]$$
作为估计式子, 其等价于
$$\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}]}{\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}]}.$$
而且往往后者更稳定.

注: 在 stabilized IP weights中必须要用后者.

More on stabilized weights

$$S{W}^A=\frac{g(A)}{f[A|L]}.$$
$$\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}g(A)]}{\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}g(A)]}.$$