[論文レビュー] Balancing Covariates via Propensity Score Weighting

Fan Li, Kari Lock Morgan+1 more|arXiv (Cornell University)|Sep 23, 2016

Advanced Causal Inference Techniques被引用数 25

ひとこと要約

この論文は、処置群間の共変量のバランスを保証する、感受性スコアに基づく重み付け手法の一般クラスであるバランス重みを導入する。重み付け手法としてオーバラップ重みを提案し、これは逆処置群への割り当て確率に比例する有界な重みであり、漸近的分散を最小化し、特定の共変量について正確な平均バランスを達成する。既存の重み付け戦略を統合・改善する。

ABSTRACT

Covariate balance is crucial for unconfounded descriptive or causal comparisons. However, lack of balance is common in observational studies. This article considers weighting strategies for balancing covariates. We define a general class of weights---the balancing weights---that balance the weighted distributions of the covariates between treatment groups. These weights incorporate the propensity score to weight each group to an analyst-selected target population. This class unifies existing weighting methods, including commonly used weights such as inverse-probability weights as special cases. General large-sample results on nonparametric estimation based on these weights are derived. We further propose a new weighting scheme, the overlap weights, in which each unit's weight is proportional to the probability of that unit being assigned to the opposite group. The overlap weights are bounded, and minimize the asymptotic variance of the weighted average treatment effect among the class of balancing weights. The overlap weights also possess a desirable small-sample exact balance property, based on which we propose a new method that achieves exact balance for means of any selected set of covariates. Two applications illustrate these methods and compare them with other approaches.

研究の動機と目的

• 観察研究における共変量の不均衡を是正すること。これは、無偏性のない因果比較を損なう一般的な問題である。
• 逆確率重み付けなどの既存の重み付け手法を、バランス重みの一般枠組みに統合すること。
• 漸近的分散を最小化するとともに有界な重みを保証する新しい重み付けスキームの開発。
• 小さな標本において、事前に指定された任意の共変量集合について正確な平均バランスを達成すること。
• 推定の効率性と頑健性を向上させる理論的裏付けがあり、柔軟性のある共変量バランス手法の提供。

提案手法

• バランス重みを、処置群間の重み付き共変量分布を等しくする一般クラスの重みとして提案する。
• 感受性スコアを用いて、各群をユーザーが定義したターゲット集団に重み付けすることで、共変量全体にわたるバランスを確保する。
• オーバラップ重みを導入し、各ユニットの重みは、逆処置群への割り当て確率に比例する。
• 非パラメトリック推定におけるバランス重みの漸近的性質を導出する。
• オーバラップ重みの構造を活用して、任意に選択された共変量集合について有限標本で正確な平均バランスを達成する新しい手法を開発する。
• オーバラップ重みが、すべてのバランス重みの中で重み付き平均処置効果の漸近的分散を最小化することを確立する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、観察研究における共変量バランスを保証する統一的なフレームワークに重み付け手法を統合できるか？
• RQ2 漸近的分散を最小化するとともに有界な重みを保証する重み付けスキームは何か？
• RQ3 小さな標本において、事前に指定された任意の共変量集合について正確な平均バランスを達成できる重み付け手法はあるか？
• RQ4 オーバラップ重みは、逆確率重み付けなどの既存手法と比較して、分散とバランスの点でどのように異なるか？
• RQ5 非パラメトリック推定における大標本におけるバランス重みの理論的性質は何か？

主な発見

• オーバラップ重みは有界であるため、極端な感受性スコアへの感度が低く、安定性が向上する。
• すべてのバランス重みの中で、オーバラップ重みが重み付き平均処置効果の最小漸近的分散を達成する。
• 提案手法により、有限標本において任意に選択された共変量集合について正確な平均バランスが達成可能となり、小さなデータセットにおけるバランスが向上する。
• バランス重みの枠組みにより、逆確率重み付けを含む既存の手法が共通の理論的基盤の下に統合される。
• 実応用の結果から、オーバラップ重みはバランス性と分散効率性の点で標準的手法を上回ることが示された。