Inferring causal effects on long-term outcomes using short-term surrogates is crucial to rapid innovation. However, even when treatments are randomized and surrogates fully mediate their effect on outcomes, it's possible that we get the direction of causal effects wrong due to confounding between surrogates and outcomes -- a situation famously known as the surrogate paradox. The availability of many historical experiments offer the opportunity to instrument for the surrogate and bypass this confounding. However, even as the number of experiments grows, two-stage least squares has non-vanishing bias if each experiment has a bounded size, and this bias is exacerbated when most experiments barely move metrics, as occurs in practice. We show how to eliminate this bias using cross-fold procedures, JIVE being one example, and construct valid confidence intervals for the long-term effect in new experiments where long-term outcome has not yet been observed. Our methodology further allows to proxy for effects not perfectly mediated by the surrogates, allowing us to handle both confounding and effect leakage as violations of standard statistical surrogacy conditions.
Proximal Causal Inference for Complex Longitudinal Studies
关于时变治疗联合效应的因果推断的标准假设是,已测量足够的协变量,以确保在协变量分层内,受试者可在观察到的治疗值之间交换,也称为“序贯随机化假设(SRA)"。SRA经常受到批评,因为它需要准确测量所有混杂因素。实际上,测量的协变量很少能确定地捕获所有混杂因素。通常协变量测量充其量是混杂因素的代理,因此在SRA下的推断无效。在本文中,我们将Miao et al.(2018)的近端因果推断(PCI)框架扩展到半参数边际结构均值模型(MSMM)下的纵向设置。PCI提供了一个机会,了解联合因果关系的设置SRA的基础上测量随时间变化的协变量失败,正式占协变量测量作为不完美的代理的基础混淆机制。我们建立了非参数识别与一对时变代理,并提供了相应的表征定期和渐近线性估计的参数索引MSMM,包括丰富的一类双鲁棒估计,并建立相应的半参数效率界MSMM。广泛的模拟研究和数据应用说明了有限样本的行为所提出的方法。
在从观察数据中进行因果推断时,对无未测量混杂的假设持怀疑态度,也称为交换性混杂,这通常是有道理的;因为交换性混杂取决于研究者准确测量协变量的能力,这些协变量可以捕获所有潜在的混杂来源。在实践中,人们最多只能希望协变量测量值最多能代表给定观察性研究中真正的潜在混杂机制。在本文中,我们考虑了Miao et al.(2018)引入的近端因果推断框架; Tchetgen Tchetgen et al.(2020),虽然明确承认协变量测量是混淆机制的不完美代理,但提供了一个机会,可以在基于测量协变量的交换失败的情况下了解因果效应。我们对近端推断做出了一些贡献,包括(i)平均处理效应的非参数近端识别的一组替代条件;(ii)平均处理效应的近端估计的一般半参数理论,包括感兴趣的关键半参数模型的效率界;(iii)平均处理效应的近端双稳健和局部有效估计的表征。此外,我们提供了类似的识别和效率结果的平均处理效应的处理。我们的方法是通过模拟研究和数据应用程序来说明对重症监护病房的重症患者的右心导管插入术的有效性进行评估。
Proximal Causal Inference for Marginal Counterfactual Survival Curves
对比治疗组间的边缘反事实生存曲线是推断干预对右删失至事件时间结局的因果影响的有效且流行的方法。在观察环境中得出此类推论的一个关键挑战是可能存在未测量的混杂,这可能使假设没有隐藏混杂偏倚的最常用方法无效。在本文中,我们没有做出标准的无不可测量混杂假设,而是扩展了Miao et al.(2018),Tchetgen et al.(2020),Cui et al.(2020)最近提出的近端因果推断框架,以通过利用观察到的协变量作为不可测量混杂因素的不完美代理来获得因果生存对比的非参数识别。具体来说,我们开发了一个近端逆概率加权(PIPW)估计,标准IPW的近端模拟,它允许观察到的数据分布的时间到事件的结果,以保持完全不受限制。PIPW估计依赖于所谓的治疗混杂桥接函数的参数模型,该桥接函数将治疗过程与混杂代理相关联。因此,PIPW可能对模型错误指定敏感。为了提高稳健性和效率,我们还提出了一个近似双稳健估计,并建立了一致相合性和渐近正态性的估计。我们进行了广泛的模拟,以检查我们的估计有限样本的性能,并提出的方法应用于一项研究,评估重症监护室的重症患者的右心导管插入术的有效性。
Evaluating for the long term: Learnings from industry
Pinterest;METR;Netflix;MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);UC Berkeley CHAI(加州大学伯克利分校人类中心人工智能研究所);Airbnb;Meta;Statsig;Uber;Cornell University(康奈尔大学);Harvard Business School(哈佛商学院);Lyft;Datadog;Google;Knight-Georgetown Institute(Knight-乔治城研究所);University of Chicago Booth School of Business(芝加哥大学布斯商学院);Roblox;MIT(麻省理工学院)