[論文レビュー] A Framework for Optimal Matching for Causal Inference

Nathan Kallus|arXiv (Cornell University)|Jun 16, 2016

Advanced Causal Inference Techniques参考文献 34被引用数 9

ひとこと要約

本稿は、関数空間における推定誤差の双対ノルムを最小化するマッチング推定量を用いた、因果推論のための新規フレームワークを提示する。マッチングを誤差の双対ノルム最小化として定式化することにより、最近傍法や粗化された正確マッチングといった既存手法を統一し、普遍的収束性を達成する新しいカーネルベースの推定量を導出する。シミュレーションおよび実世界のデータにおいて、標準的手法よりも著しく低い推定誤差を達成する。

ABSTRACT

We propose a novel framework for matching estimators for causal effect from observational data that is based on minimizing the dual norm of estimation error when expressed as an operator. We show that many popular matching estimators can be expressed as optimal in this framework, including nearest-neighbor matching, coarsened exact matching, and mean-matched sampling. This reveals their motivation and aptness as structural priors formulated by embedding the effect in a particular functional space. This also gives rise to a range of new, kernel-based matching estimators that arise when one embeds the effect in a reproducing kernel Hilbert space. Depending on the case, these estimators can be found using either quadratic optimization or integer optimization. We show that estimators based on universal kernels are universally consistent without model specification. In empirical results using both synthetic and real data, the new, kernel-based estimators outperform all standard causal estimators in estimation error.

研究の動機と目的

• 観察的因果推論におけるマッチング推定量の統一的理論的枠組みを構築すること。
• 多くの標準的手法（例：最近傍法、粗化された正確マッチング）が、双対ノルム誤差最小化基準の下で最適であることを示すこと。
• 再生核ヒルベルト空間（RKHS）を用いて、普遍的収束性を保証する新しいカーネルベースのマッチング推定量を導出すること。
• 高次元設定におけるこれらの新規推定量と標準手法の性能を実証的に評価すること。
• カーネル法によるグローバルマッチングが、高次元の共変量空間において、局所的でユニットレベルのマッチングを上回ることを示すこと。

提案手法

• 結果の条件付き期待値関数に対する推定誤差を、関数空間上での作用素として形式化する。
• バナッハ空間における潜在的条件付き期待値関数の集合上での誤差作用素の双対ノルムを最小化することで、誤差の双対ノルム最小化（EDNM）推定量を定義する。
• 標準的手法（NNM、CEM、平均マッチドサンプリング）が、特定の関数空間埋め込み下でEDNMの特別なケースであることを明らかにする。
• 因果効果を再生核ヒルベルト空間（RKHS）に埋め込むことで、新しいカーネルベース推定量を構築する。
• カーネルおよび制約条件に応じて、二次計画法または整数計画法を用いて最適な重みを求める。
• 普遍的カーネルを用いることで、モデル仕様なしに普遍的収束性を保証する。

実験結果

リサーチクエスチョン

• RQ1 因果推論におけるさまざまなマッチング推定量を説明・最適化する統一的フレームワークを構築できるか？
• RQ2 推定誤差の双対ノルムを最小化することは、既存のマッチング手法の性能とどのように関係するか？
• RQ3 本フレームワークから、普遍的収束性を達成するカーネルベースのマッチング推定量を導出できるか？
• RQ4 高次元設定において、カーネルベース推定量は標準的手法と比べてどのように性能を発揮するか？
• RQ5 高次元の共変量空間において、カーネル法によるグローバルマッチングは、局所的でユニットレベルのマッチングを上回る推定誤差を達成するか？

主な発見

• 提案されたフレームワークは、最近傍法マッチング、粗化された正確マッチング、平均マッチドサンプリングといった既存のマッチング推定量を、双対ノルム最小化に基づく同一の最適化基準の下で統一する。
• 本フレームワークから導出されたカーネルベースマッチング推定量は、合成データおよび実世界データにおいて、標準的手法と比較して推定誤差のルート平均二乗誤差（RMSE）がほぼ1桁低くなる。
• 実証的評価において、二次カーネルベース推定量が他のカーネル手法をわずかに上回り、強力な実用的性能を示した。
• 線形カーネルマッチング（平均マッチドサンプリング）は、最近傍法および粗化された正確マッチングよりも優れた性能を示したが、非線形カーネルには劣り、データに残存する非線形構造が示唆された。
• 1対1マッチングおよびCEMは、高次元設定で共変量のバランスが悪いため失敗したが、カーネルベースのグローバルマッチングは強固な性能を維持した。
• 傾向スコアマッチングは、1対1マッチングおよびCEMよりも優れていたが、カーネルベース手法には劣り、カーネルによるグローバルバランスが、局所的バランスや傾向スコアに基づく再重み付けよりも効果的であることを示唆した。