Average Treatment Effect (平均因果效应)的估计方法

对 treatment effect 建模的几种方法总结

$W$: treatment index（exposure）
$$W_i=\{\begin{array}{ll}1,& \mathrm{if}\mathrm{treatment}(\mathrm{个体}\mathrm{i}\mathrm{在治疗组中})\\ 0,& \mathrm{if}\mathrm{control}(\mathrm{个体}\mathrm{i}\mathrm{在控制组中})\end{array}$$

$\mathbf{X}$: exposure covariates (协变量)

$Y$: outcome (响应变量)

数据：$(Y_i,W_i,{\mathbf{X}}_i)$, $i=1,...,n$

• 当个体 $i$ 位于治疗组中，只能观测到 $Y_{i1}=Y_i(W_i=1)$;
• 当个体 $i$ 处于控制组中，只能观测到 $Y_{i0}=Y_i(W_i=0)$;

目的：估计平均治疗效应 $\tau$（average treatment effect）
τ = E { Y ( W = 1 ) } − E { Y ( W = 0 ) } = E ( Y 1 ) − E ( Y 0 ) ( 1 ) \tau = E\{Y(W=1)\} -E\{Y(W=0)\}=E(Y_1)-E(Y_0) \qquad\qquad (1) τ=E{ Y(W=1)}−E{ Y(W=0)}=E(Y1​)−E(Y0​)(1)
其中 E { Y ( W = 1 ) } E\{Y(W=1)\} E{ Y(W=1)}简写为$E(Y_1)$。

---

随机化实验

• 治疗组个体与控制组中个体一一对应
• 是否接受治疗与潜在响应是独立的，即 $$(Y_0,Y_1)\underline{\Vert }W(2)$$

令 $n_1={\sum }_{i=1}^n{W}_i$，$n_0=n-n_1$，则
$${\bar{Y}}_1=\frac{1}{n_1}\sum _{i=1}^n{W}_i{Y}_i,{\bar{Y}}_0=\frac{1}{n_0}\sum _{i=1}^n(1-W_i)Y_i.$$
平均治疗效应 $\tau$ 的无偏估计为
$$\hat{\tau }={\bar{Y}}_1-{\bar{Y}}_0。(3)$$
此处有 E ( Y ∣ W = 1 ) = E { Y 1 W + Y 0 ( 1 − W ) ∣ W = 1 } = E ( Y 1 ∣ W = 1 ) = E ( Y 1 ) E(Y|W=1) = E\{Y_1W+Y_0(1-W)|W=1\}=E(Y_1|W=1)=E(Y_1) E(Y∣W=1)=E{ Y1​W+Y0​(1−W)∣W=1}=E(Y1​∣W=1)=E(Y1​), $E(Y|W=0)=W(Y_0)$ 成立。

---

观察型研究

数据中控制组和治疗组个体不在一一对应，且条件(2)不在成立，使得$E(Y|W=1)\ne E(Y_1)$，$E(Y|W=0)\ne E(Y_0)$，因此，（3）式也就不再是$\tau$的无偏估计了。

• $E(Y|W=1)=E(W{Y}_1+(1-W)Y_0|W=1)$

协变量$\mathbf{X}$可能与潜在响应和暴露(treatment exposure)有关，$$(Y_0,Y_1)\underline{\Vert }W|\mathbf{X}.$$

τ = E ( Y 1 ) − E ( Y 0 ) = E { E ( Y ∣ W = 1 , X ) } − E { E ( Y ∣ W = 0 , X ) } = E { E ( Y ∣ W = 1 , X ) − E ( Y ∣ W = 0 , X ) } . \begin{aligned}\tau &= E(Y_1)-E(Y_0) \\ &= E\{E(Y|W=1,{\bf X})\}-E\{E(Y|W=0,{\bf X})\} \\ &= E\{E(Y|W=1,{\bf X})-E(Y|W=0,{\bf X})\}.\end{aligned} τ​=E(Y1​)−E(Y0​)=E{ E(Y∣W=1,X)}−E{ E(Y∣W=0,X)}=E{ E(Y∣W=1,X)−E(Y∣W=0,X)}.​

对响应变量的条件期望建模

假设 $E(Y|W=1,\mathbf{X})=m(\mathbf{X},W=1)$, $E(Y|W=0,\mathbf{X})=m(\mathbf{X},W=0)$, 则 平均治疗效应的估计为：
τ ^ = E { m ( X , W = 1 ) − m ( X , W = 0 ) } = 1 n ∑ i = 1 n { m i ( X , W = 1 ) − m i ( X , W = 0 ) } 。 \begin{aligned}\hat\tau &= E\{m({\bf X},W=1)-m({\bf X},W=0)\}\\ &=\frac{1}{n}\sum_{i=1}^n\Big\{m_i({\bf X},W=1)-m_i({\bf X},W=0)\Big\}\end{aligned}。 τ^​=E{ m(X,W=1)−m(X,W=0)}=n1​i=1∑n​{ mi​(X,W=1)−mi​(X,W=0)}​。

• 例1
  设 $E(Y|\mathbf{X},W)=m(\mathbf{X},W)={\beta }_0+W{\beta }_1+\mathbf{X}$