[論文レビュー] A Groupwise Approach for Inferring Heterogeneous Treatment Effects in Causal Inference

Chan Park, Hyunseung Kang|arXiv (Cornell University)|Aug 12, 2019

Advanced Causal Inference Techniques参考文献 54被引用数 4

ひとこと要約

本稿では、非パラメトリックおよびセミパラメトリック手法を比較することで、異質的処置効果を推定するグループワイズなアプローチを提案し、両手法の長所を活かした組み合わせ推定量を導入することで、より高い効率性を達成する。一貫性のための条件を確立し、クラスターロバスト標準誤差を導出し、家族誤差率を制御するための多重仮説検定手順を提供する。

ABSTRACT

Recently, there has been great interest in estimating the conditional average treatment effect using flexible machine learning methods. However, in practice, investigators often have working hypotheses about effect heterogeneity across pre-defined subgroups of study units, which we call the groupwise approach. The paper compares two modern ways to estimate groupwise treatment effects, a nonparametric approach and a semiparametric approach, with the goal of better informing practice. Specifically, we compare (a) the underlying assumptions, (b) efficiency and adaption to the underlying data generating models, and (c) a way to combine the two approaches. We also discuss how to test a key assumption concerning the semiparametric estimator and to obtain cluster-robust standard errors if study units in the same subgroups are correlated. We demonstrate our findings by conducting simulation studies and reanalyzing the Early Childhood Longitudinal Study.

研究の動機と目的

• 未知の適合度スコアを伴う観察研究において、グループワイズ処置効果を推定するための非パラメトリックおよびセミパラメトリックアプローチを比較すること。
• セミパラメトリック推定量がグループワイズ効果を一貫して推定できるための十分かつ必要条件を同定すること。
• 非パラメトリックおよびセミパラメトリック手法の長所を活かして、効率性を向上させる組み合わせ推定量を開発すること。
• サブグループ内の単位が相関を持つ設定において、クラスターロバスト標準誤差を導出すること。
• 複数のグループワイズ効果を同時に検定する際、家族誤差率を制御する多重仮説検定手順を提案すること。

提案手法

• マシンラーニング手法（例：GRF、R-learner）を用いて条件付き平均処置効果（CATE）を推定し、事前に定義されたサブグループにわたって平均化する非パラメトリックアプローチを用いる。
• CATEを共変量の関数としてモデル化するセミパラメトリックアプローチを採用し、パラメトリック成分をグループワイズ効果のターゲットに一致させる。
• 非パラメトリックおよびセミパラメトリック推定量を最適に組み合わせることで漸近的分散を最小化する重み付き組み合わせ推定量を導出する。
• 連続写像定理およびスラツキーの定理を適用し、正則性条件下で組み合わせ推定量の漸近正規性および一貫性を確立する。
• サブグループ内での相関を考慮するために、推定方程式におけるグループ内相関を補正したクラスターロバスト標準誤差を導出する。
• 複数のグループワイズ効果を同時に検定する際、同時推論を用いて家族誤差率を制御する多重仮説検定手順を提案する。

実験結果

リサーチクエスチョン

• RQ1 セミパラメトリック推定量がグループワイズ処置効果に対して一貫しているのはどのような条件下か？
• RQ2 異なるデータ生成モデル下で、非パラメトリックおよびセミパラメトリック推定量の効率性およびデータ適応的性能はどのように比較できるか？
• RQ3 非パラメトリックおよびセミパラメトリック推定量の両方を上回る漸近的分散を達成できる組み合わせ推定量は存在するか？
• RQ4 同じサブグループに属する単位が相関を持つ場合、グループワイズ処置効果推定量に対してクラスターロバスト標準誤差をどのように導出できるか？
• RQ5 複数のグループワイズ効果を同時に検定する際、家族誤差率を効果的に制御する多重仮説検定手順は何か？

主な発見

• セミパラメトリック推定量がグループワイズ効果に対して一貫しているのは、モデルの影響関数が特定の直交性条件を満たす場合に限る。
• 非パラメトリックおよびセミパラメトリック推定量の分散が異なる場合、組み合わせ推定量は両者のいずれよりも低い漸近的分散を達成する。
• 推定方程式におけるグループ内相関を補正することでクラスターロバスト標準誤差を導出し、依存性が存在する状況でも有効な推論を保証する。
• 複数のグループワイズ効果の同時検定において、家族誤差率を制御するため、同時漸近分布に基づいて臨界値を調整する多重仮説検定手順を提案する。
• 非パラメトリックおよびセミパラメトリック推定量の漸近的分散が等しい場合、[0,1]の任意の重みが分散を最小化し、組み合わせ推定量は依然として一貫性を保つ。
• 最適な重みが一貫して推定される限り、非パラメトリックモデル下で組み合わせ推定量は漸近的に効率的である。