[論文レビュー] A Bayesian semiparametric framework for causal inference in high-dimensional data

Joseph Antonelli, Francesca Dominici|arXiv (Cornell University)|May 13, 2018

Advanced Causal Inference Techniques参考文献 27被引用数 6

ひとこと要約

この論文は、柔軟な事前分布を用いて次元削減と非線形性のモデル化を可能にするベイジアン半パラメトリック枠組みを提案し、高次元データにおける因果効果の推定を実現する。この枠組みは、二重にロバストな推定量および逆確率重み付き推定量の事後分布推論を可能にし、頻度主義的手法と比較してより速い事後収縮と、有限標本におけるより良い被覆率を達成する。

ABSTRACT

We introduce a Bayesian framework for estimating causal effects of binary and continuous treatments in high-dimensional data. The proposed framework extends to high-dimensional settings many of the existing semiparametric estimators introduced in the causal inference literature. Our approach has the following features: it 1) considers semiparametric estimators that reduce model dependence; 2) introduces flexible Bayesian priors for dimension reduction of the covariate space that accommodates non linearity; 3) provides posterior distributions of any causal estimator that can broadly be defined as a function of the treatment and outcome model (e.g. standard doubly robust estimator or the inverse probability weighted estimator); 4) provides posterior credible intervals with improved finite sample coverage compared to frequentist measures of uncertainty which rely on asymptotic properties. We show that the posterior contraction rate of the proposed doubly robust estimator is the product of the posterior contraction rates of the treatment and outcome models, allowing for faster posterior contraction. Via simulation we illustrate the ability of the proposed estimators to flexibly estimate causal effects in high-dimensions, and show that it performs well relative to existing approaches. Finally, we apply our proposed procedure to estimate the effect of continuous environmental exposures.

研究の動機と目的

• パラメトリックモデルの仮定に依存しない高次元データにおける因果推論のためのベイジアン枠組みの開発。
• 高次元設定における二重にロバストな推定量や逆確率重み付き推定量などの因果推定量の事後分布推論の実現。
• 漸近的頻度主義区間よりも優れた被覆率を示す事後信用区間を提供することにより、有限標本における不確実性の定量化を改善すること。
• 柔軟なベイジアン事前分布を用いて、高次元の共変量空間における複雑な非線形関係のモデル化。
• 高次元設定における二重にロバスト推定量の事後収縮率の理論的性質の確立。

提案手法

• 次元削減と非線形効果のモデル化に、ベイジアン非パラメトリック事前分布を用いて、半パラメトリック推定量を高次元データに拡張する枠組み。
• 結果変数と処置メカニズムを、非線形性と高次元の共変量補正を許容する柔軟なベイジアン事前分布でモデル化。
• 処置および結果モデルの推定値を関数として定義する因果推定量のための事後分布を構築。
• 二重にロバスト推定量の事後収縮率は、処置モデルと結果モデルの収縮率の積として導出される。
• 漸近的頻度主義区間よりも優れた有限標本被覆率を示す、事後信用区間をサポート。
• シミュレーションと実データ解析を用いて、連続的環境露出効果の推定にこのアプローチを適用。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン半パラメトリック枠組みは、モデル仮定への依存を低減させながら、高次元データにおける因果効果を効果的に推定できるか？
• RQ2 提案された枠組みからの事後信用区間は、有限標本における被覆率において頻度主義信頼区間と比べてどのように異なるか？
• RQ3 高次元設定下での二重にロバスト推定量の事後収縮率はいかほどか？
• RQ4 この枠組みは、高次元の共変量空間における非線形関係を柔軟にモデル化できるか？
• RQ5 連続的環境露出の因果効果を推定する際、この手法はどの程度の性能を示すか？

主な発見

• 二重にロバスト推定量の事後収縮率は、処置モデルと結果モデルの収縮率の積に等しく、収束が速いことを示す。
• 提案された枠組みからの事後信用区間は、漸近的頻度主義区間よりも優れた有限標本被覆率を達成する。
• シミュレーションにおいて、高次元データにおける複雑で非線形的な関係が存在する状況でも、因果効果を柔軟に推定する優れた性能を示す。
• 実データ応用において、連続的環境露出の因果効果を成功裏に推定した。
• 柔軟なベイジアン事前分布の使用により、共変量空間における非線形性を適切に扱いながら、効果的な次元削減が可能となる。
• ベイジアン枠組み内で半パラメトリック推定の原則を活用することで、モデルの誤指定に対してロバスト性を維持する。