[論文レビュー] Asymptotic causal inference with observational studies trimmed by the estimated propensity scores

Shu Yang, Peng Ding|arXiv (Cornell University)|Apr 3, 2017

Advanced Causal Inference Techniques参考文献 2被引用数 4

ひとこと要約

本稿では、観察的研究における重複欠損の問題を解決するため、極端な傾向スコアを示す単位のバイナリトリミングを、連続的で微分可能な重み関数に置き換える滑らかな重み付け手法を提案する。この手法は漸近的線形性と有効なブートストラップ推論を保証し、従来のトリミング手法よりも精度を向上させつつ、明確に定義された標本集団に基づく因果推定量を維持する。

ABSTRACT

Causal inference with observational studies often relies on the assumptions of unconfoundedness and overlap of covariate distributions in different treatment groups. The overlap assumption is violated when some units have propensity scores close to 0 or 1, and therefore both practical and theoretical researchers suggest dropping units with extreme estimated propensity scores. However, existing trimming methods ignore the uncertainty in this design stage and restrict inference only to the trimmed sample, due to the non-smoothness of the trimming. We propose a smooth weighting, which approximates the existing sample trimming but has better asymptotic properties. An advantage of the new smoothly weighted estimator is its asymptotic linearity, which ensures that the bootstrap can be used to make inference for the target population, incorporating uncertainty arising from both the design and analysis stages. We also extend the theory to the average treatment effect on the treated, suggesting trimming samples with estimated propensity scores close to 1.

研究の動機と目的

• 因果推論におけるサンプルトリミングに関する概念的曖昧さを解消すること。特に、サンプルに依存して標的推定量が変化する問題を解消する。
• バイナリトリミングの代替として、漸近的性質を保持し、有効な推論を可能にする滑らかな重み付けを構築すること。
• 高い傾向スコアに基づくトリミングを用いて、処置効果の平均（ATT）への拡張を図ること。
• 新しい推定量が漸近的に線形であり、ブートストラップに基づく信頼区間を支持することを保証すること。
• インジケータ関数の非滑らかさを避けるために、連続的重み付けによる有限標本における精度の向上を図ること。

提案手法

• 極端な推定傾向スコアを持つ単位を除いた標的集団に基づく因果パラメータを定義し、安定した推定量を保証する。
• バイナリインクリメンテーションインジケータを近似するが、微分可能である滑らかな重み関数を提案し、非滑らかさの問題を軽減する。
• 滑らかさを制御するためのチューニングパラメータεを導入し、ε → 0 の極限で元のトリミングルールに回復することを示す。
• 2段階推定量の標準線形化技術を用いて、滑らかな重み付け推定量の漸近的線形性を導出する。
• ブートストラップを用いて、滑らかな重み付けスキーム下での因果効果の有効な信頼区間を構築する。
• 高い傾向スコアを持つ単位をトリミングすることで、平均処置効果（ATT）への拡張を図る（例：0.78の閾値）。

実験結果

リサーチクエスチョン

• RQ1 因果推論におけるサンプルトリミングを、安定した明確に定義された標的集団と推定量を保証する形で再定義することは可能か？
• RQ2 トリミングを滑らかな重み付けに置き換えた場合、重み付け推定量の漸近的性質は何か？
• RQ3 滑らかな重み付け推定量の信頼区間を信頼性を持って構築するために、ブートストラップを用いることは可能か？
• RQ4 有限標本において、滑らかな重み付けはバイナリトリミングに比べて精度をどのように向上させるか？
• RQ5 平均処置効果（ATT）を推定する際の最適なトリミングルールは何か？

主な発見

• 提案された滑らかな重み付け推定量は漸近的に線形であるため、ブートストラップを用いた有効な信頼区間の構築が可能である。
• 滑らかな重み付けアプローチは、漸近理論およびシミュレーション研究の両方で、バイナリトリミングよりも分散を低減することが示された。
• 国立サポートワーク・デモニストレーションのデータでは、滑らかな重み付け推定量の点推定値はATTに対して1527（標準誤差397）であり、バイナリトリミング法では1506（標準誤差404）であった。
• 滑らかな推定量の95％信頼区間（697, 2314）は、元のHainmueller（2012）の区間（97, 3044）よりも狭く、精度の向上と整合的である。
• 補正付き重み付け推定量は、非補正バージョンよりも精度が向上しなかった。これは、アウトカム回帰におけるモデルの誤指定が原因とされる。
• ε → 0 のとき、滑らかな重み関数はインジケータ関数に収束し、従来のトリミング実践と一貫性を示す。