[論文レビュー] A Deep Causal Inference Approach to Measuring the Effects of Forming Group Loans in Online Non-profit Microfinance Platform

Thai Pham, Yuanyuan Shen|arXiv (Cornell University)|Jun 8, 2017

FinTech, Crowdfunding, Digital Finance被引用数 9

ひとこと要約

本稿では、Kivaのオンラインマイクロファイナンスプラットフォームにおける団体ローンの資金調達速度への因果効果を測定するために、ディープラーニングと二重にロバストな推定および標的最大尤度推定を組み合わせた深層因果推論フレームワークを提案する。自然言語処理（NLP）を用いたテキスト埋め込みをローン説明文から抽出することで、団体ローンの形成が平均して資金調達期間を3.3日短縮することが判明し、寄付型クラウドファンディング環境における団体貸付が資金調達を顕著に加速することを示している。

ABSTRACT

Kiva is an online non-profit crowdsouring microfinance platform that raises funds for the poor in the third world. The borrowers on Kiva are small business owners and individuals in urgent need of money. To raise funds as fast as possible, they have the option to form groups and post loan requests in the name of their groups. While it is generally believed that group loans pose less risk for investors than individual loans do, we study whether this is the case in a philanthropic online marketplace. In particular, we measure the effect of group loans on funding time while controlling for the loan sizes and other factors. Because loan descriptions (in the form of texts) play an important role in lenders' decision process on Kiva, we make use of this information through deep learning in natural language processing. In this aspect, this is the first paper that uses one of the most advanced deep learning techniques to deal with unstructured data in a way that can take advantage of its superior prediction power to answer causal questions. We find that on average, forming group loans speeds up the funding time by about 3.3 days.

研究の動機と目的

• Kivaにおける団体ローンの形成が個人ローンと比較して資金調達期間を短くするかどうかを調査すること。
• 寄付型・非営利のオンラインマイクロファイナンス環境における団体貸付の因果的影響を評価すること。
• 非構造化テキストデータ（ローン説明文）の推定を改善するため、ディープラーニングと因果推論手法を統合すること。
• 団体貸付が貸し手のリスク露出を低減し、現地パートナーの資金支払い効率を向上させるかどうかを評価すること。
• 現地パートナーが複数の借り手をグループ化することで資金調達が早まるかどうかに関する実務的インサイトを提供すること。

提案手法

• 非構造化ローン説明文テキストからの埋め込み抽出に、特に長短期記憶（LSTM）ネットワークおよび多層パーセプトロン（MLP）を用いたディープラーニングを適用し、因果推論モデルに活用する。
• 二重にロバストな推定（DRE）および標的最大尤度推定（TMLE）を用いて平均処置効果を推定し、ディープラーニングを割合スコアおよび結果モデルの両方の推定に活用する。
• 影響曲線を用いて標準誤差を推定し、処置効果推定の信頼区間を構築する。
• 欠損値の補完および、割合スコアが[0.01, 0.99]の範囲外にある観測をフィルタリングすることで、モデルの安定性を確保しバイアスを低減する。
• 性能とロバスト性を評価するため、従来の手法（例：正則化線形回帰、ランダムフォレスト）と比較して、ディープラーニングベースの推定器を評価する。
• 汎用性を確認するため、ホールドアウトテストセットを用いてモデル性能を検証し、F1スコアおよび予測精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 Kivaにおける団体ローンの形成は、個人ローンと比較して資金調達が速くなるか？
• RQ2 ローン説明文からのテキスト情報を組み込むことで、マイクロファイナンス環境における因果効果推定の精度がどの程度向上するか？
• RQ3 ディープラーニングベースの因果推論モデルは、従来の統計モデルと比較して、資金調達時間への処置効果推定においてどのように異なるか？
• RQ4 農業や小売業に従事する借り手などの異なるサブグループにおいて、団体ローンの処置効果は一貫しているか？
• RQ5 ローン金額やその他の共変量を調整した上で、団体貸付の平均処置効果（ATE）の大きさはどの程度か？

主な発見

• 平均して、団体ローンの形成により資金調達期間が3.3日短縮され、資金支払い速度への顕著な正の効果があることが示された。
• ディープラーニングモデル、特にDeep LSTMは、割合スコアおよび結果モデルの両方の推定において、従来の手法（例：RLR、RF）を上回る性能を示した。
• テキストデータの組み込みによりモデル性能が顕著に向上し、特に割合スコア推定において高いF1スコアが得られた。
• ディープラーニングを組み込んだ二重にロバストな推定器（DRE）および標的最大尤度推定器（TMLE）は、低標準誤差で一貫性があり、精度の高いATE推定を実現した。
• 単純な推定器やベースライン推定器は、効果がない、あるいは逆に負の効果があると誤って示す結果を出しており、高度な因果モデリングの重要性を浮き彫りにした。
• Deep LSTMを用いたTMLEによるATE推定は-3.29日（標準誤差0.167）を示し、ディープラーニングを強化した因果推論フレームワークの堅牢性と精度を確認した。