Robust causal inference for point exposures with missing confounders

Large observational databases are often subject to missing data. As such, methods for causal inference must simultaneously handle confounding and missingness; surprisingly little work has been done at this intersection. Motivated by this, we propose an efficient and robust estimator of the causal average treatment effect from cohort studies when confounders are missing at random. The approach is based on a novel factorization of the likelihood that, unlike alternative methods, facilitates flexible modelling of nuisance functions (e.g., with state-of-the-art machine learning methods) while maintaining nominal convergence rates of the final estimators. Simulated data, derived from an electronic health record-based study of the long-term effects of bariatric surgery on weight outcomes, verify the robustness properties of the proposed estimators in finite samples. Our approach may serve as a theoretical benchmark against which ad hoc methods may be assessed. Les grandes bases de donn & eacute;es observationnelles sont souvent confront & eacute;es au probl & egrave;me des donn & eacute;es manquantes. De ce fait, les m & eacute;thodes d'inf & eacute;rence causale doivent g & eacute;rer & agrave; la fois les facteurs de confusion et les donn & eacute;es manquantes, un domaine & eacute;tonnamment peu explor & eacute;. Pour r & eacute;pondre & agrave; ce d & eacute;fi, les auteurs de cet article proposent un estimateur efficace et robuste de l'effet causal moyen du traitement. Cet estimateur est sp & eacute;cialement con & ccedil;u pour les & eacute;tudes de cohortes o & ugrave; les facteurs de confusion sont manquants de mani & egrave;re al & eacute;atoire. L'approche propos & eacute;e s'appuie sur une nouvelle factorisation de la vraisemblance. Contrairement & agrave; d'autres m & eacute;thodes, celle-ci permet de mod & eacute;liser les fonctions de nuisance de mani & egrave;re flexible, notamment gr & acirc;ce & agrave; des techniques avanc & eacute;es d'apprentissage automatique, et ce tout en maintenant les taux de convergence attendus des estimateurs finaux. Des simulations bas & eacute;es sur des dossiers m & eacute;dicaux & eacute;lectroniques concernant les effets & agrave; long terme de la chirurgie bariatrique sur le poids confirment la robustesse des estimateurs dans des & eacute;chantillons finis. Cette approche pourrait servir de r & eacute;f & eacute;rence th & eacute;orique pour & eacute;valuer d'autres m & eacute;thodes ad-hoc.