Inférence causale valide avec (certains) instruments non valides

Résumé

Les méthodes de variables instrumentales constituent une approche puissante pour estimer les effets causaux en présence de facteurs de confusion non observés. Mais un défi majeur lors de leur application est le recours à des hypothèses d'"exclusion" non testables qui excluent toute relation entre la variable instrumentale et la réponse qui n'est pas médiée par le traitement. Dans cet article, nous montrons comment réaliser une estimation IV cohérente malgré les violations de l'hypothèse d'exclusion. En particulier, nous montrons que lorsque l'on a plusieurs instruments candidats, seule une majorité de ces candidats - ou, plus généralement, la relation modale candidat-réponse - doit être valide pour estimer l'effet causal. Notre approche utilise une estimation de la prédiction modale à partir d'un ensemble d'estimateurs de variables instrumentales. La technique est simple à appliquer et est "boîte noire" dans le sens où elle peut être utilisée avec n'importe quel estimateur de variable instrumentale tant que l'effet du traitement est identifié pour chaque instrument valide indépendamment. En tant que telle, elle est compatible avec les estimateurs récents basés sur l'apprentissage automatique qui permettent l'estimation des effets de traitement moyens conditionnels (CATE) sur des données complexes et de grande dimension. Expérimentalement, nous obtenons des estimations précises des effets de traitement moyens conditionnels en utilisant un ensemble d'estimateurs basés sur des réseaux profonds, y compris sur un problème difficile de randomisation mendélienne simulée.