【因果推断与机器学习】G-Methods时变混杂因素的因果推断

G-methods：由 (James Robins) 提出的处理时变混杂的“通用”方法集。这些方法包括 g-formula、边际结构模型的逆概率加权法、增强逆概率加权法和结构嵌套模型的 g-estimation。
为了帮助定义其余术语，我将定义一些符号。令$Y_i^a$表示治疗或暴露$a$下的潜在结果（即个体为$i$的人如果接受了治疗$a$或者暴露于$a$会有的结果），$Y$表示观察到的结果，$A$是观察到的采取的治疗或行动，$W$被视为一组混杂变量或者协变量。最后，令$V$表示变量集合$W$中的一个单独的变量。为简单起见，我将只讨论单一时间的结果，但这里的所有内容都可以推广到多个时间（即具有时变混杂因素的设置）。

G-formula：通常用来表达因果过程的结果$E[Y^a$所用的方法是以观测数据为基础的。在这种情况下，g-formula 是：
$$E[Y^a]=\sum _{w}E[Y|A=a,W=w]\mathrm{Pr}(W=w)$$
在这里，我们把要估计的不可观测量（我们无法看到的潜在结果的边际平均值）写成关于$W,A,Y$ 的项（可观测量）。g-formula依赖于对结果的建模（即：$Y$是关于$A,W$的函数）但它并没有告诉我们怎么样去做。随之我们就引出G-computation。

G-computation：G-computation 可以被视为关于g-formula 算法的实现。它说的是在给定$A,W$的情况下，拟合$Y$的某个模型，然后使用该模型预测每个人在$A=a$的情况下的结果，然后取这些预测的潜在结果的平均值。g-formula和g-computation在文献中经常交替使用，因此需要注意。

G-estimation：G-estimation是一种独立的方法。更正式的说，它是“结构嵌套模型的g-estimation”。所以，我们先淘箩一下结构嵌套模型。

Structural nested models(SNM)：SNM 是一种结果模型，旨在处理随时间变化的效应测量修正(某种情况下在技术上很难去精确定义的)。但是在单一时间点设置中，它们是非常直接的。下面是一个加法的结构嵌套模型SNM：
$$E[Y^a|A=a,V]-E[Y^0|A=a,V]={\alpha }_{1}a+{\alpha }_{2}aV$$
该模型有两个参数：（如果$V$是二元变量的话）一种是当$V=0$时，变量$a$的影响；另一种是当$V=1$时，$a$的影响。因此，结构嵌套模型是我们可以假设的一种模型，即变量$A$对$Y$的叠加效应如何随着$V$的变化而变化。

现在回到 G-估计。G-estimation 是我们用来估计 SNM 参数 (${\alpha }_1,{\alpha }_2$) 的过程。 值得注意的是，g-formula和 g-estimation之间的估计值或相关参数是不同的。 因此，不应将两者混为一谈。

Marginal structural models(MSM)：为了帮助理解 SNM，我们可以将其与 MSM 进行对比。 MSM 中的 “Marginal” 指的是我们的模型是边际模型（即不以 W 默认值为条件）。 "Structural"指模型包含潜在结果。 "Models"表示我们正在使用某种模型。 MSM 的示例如下
$$E[Y^a]={\beta }_0+{\beta }_{1}a$$
请注意，这与g-formula的估计值相同。估计MSM参数的一种方法是使用反概率加权法(当然还有其他方法)。

我们还可以考虑捕捉效果测量修正的 MSM（称为 “faux MSM”，因为我们不再是边际的）。 下面是一个例子
$$E[Y^a]={\beta }_0+{\beta }_{1}a+{\beta }_{2}V+{\beta }_3\mathbf{a}V$$
请注意，与 SNM 不同，该模型包括 4 个参数。 因此，如果我们解释 MSM 的参数，就需要将其视为$V$的条件也就是给定$V$的值的条件下。 而 SNM 的情况并非如此（它只有两个参数，其中任何一个都不是$V$ 的主效应）。 正是这一差异使得 SNM 能够捕捉时变效应测量修正，而 MSM 却不能。