[論文レビュー] A Causal Bootstrap

Guido W. Imbens, Konrad Menzel|arXiv (Cornell University)|Jan 1, 2018

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

この論文は、因果推定の分散推定を再定義するための因果ブートストラップ法を導入している。これは、標本抽出のばらつきではなく、処置割り当ての確率的性質に起因する不確実性をモデル化することで、古典的ブートストラップよりも因果推定の設定においてより正確な推論を可能にする。処置割り当ての異なる状態における潜在的アウトカムに基づいて再サンプリングすることで、特に処置割り当てが確率的である場合には、古典的ブートストラップよりも優れた性能を発揮する。

ABSTRACT

The bootstrap, introduced by Efron (1982), has become a very popular method for estimating variances and constructing confidence intervals. A key insight is that one can approximate the properties of estimators by using the empirical distribution function of the sample as an approximation for the true distribution function. This approach views the uncertainty in the estimator as coming exclusively from sampling uncertainty. We argue that for causal estimands the uncertainty arises entirely, or partially, from a different source, corresponding to the stochastic nature of the treatment received. We develop a bootstrap procedure that accounts for this uncertainty, and compare its properties to that of the classical bootstrap.

研究の動機と目的

• 標本抽出のばらつきが変動の主因であると仮定する古典的ブートストラップ法の限界を是正すること。
• 因果的文脈では、しばしば標本抽出のばらつきではなく、処置割り当ての確率的性質に起因する不確実性が主因であることに気づくこと。
• 処置割り当ての不確実性を明示的にモデル化するブートストラップ手順を開発し、分散推定および信頼区間のカバレッジを改善すること。
• 有限標本設定において、提案された因果ブートストラップと古典的ブートストラップの性能を比較すること。

提案手法

• 処置割り当ての異なる状態における潜在的アウトカムを再サンプリングすることで、処置曝露の確率的性質を反映するブートストラップ分布を構築する。
• 観察された処置割り当ての下での潜在的アウトカムの経験的分布を用いて、因果推定量の分布をシミュレートする。
• 観察された処置割り当てメカニズムに条件づけ、再サンプルされたデータが実際の無作為化プロセスを反映するようにする。
• 潜在的アウトカム枠組みにブートストラップを適用し、処置割り当てを単なる標本抽出のばらつきではなく、不確実性の原因とみなす。
• 仮定された処置割り当てモデル下での因果推定量の再サンプル分布に基づいて、標準誤差を推定し、信頼区間を構築する。

実験結果

リサーチクエスチョン

• RQ1 標本抽出のばらつきが主な変動要因であると仮定する古典的ブートストラップを因果推定量に適用した場合、どのような結果が得られるか？
• RQ2 処置割り当てに起因する不確実性を無視するのではなく、明示的にモデル化した場合、推論の正確性はどのように変化するか？
• RQ3 処置割り当ての確率的性質を考慮するブートストラップ手順は、カバレッジおよび分散推定の観点で、古典的ブートストラップを上回ることができるか？
• RQ4 異なる処置割り当てメカニズム下で、小標本から中程度の標本サイズにおける因果ブートストラップの挙動はいかがなるか？

主な発見

• 処置割り当てが確率的である場合には、古典的ブートストラップと比較して、因果ブートストラップが因果推定量の分散推定をより正確に実行する。
• 無視できない処置割り当てメカニズムが存在する状況では、因果ブートストラップを用いて構築された信頼区間が、古典的ブートストラップよりも良好なカバレッジ率を達成する。
• この手法は、古典的ブートストラップがモデル化できない処置割り当てに起因する不確実性を効果的に捉えている。
• ベルヌーイ分布および完全無作為化デザインを含む、さまざまな処置割り当てメカニズムにおいて、因果ブートストラップは良好な性能を維持する。