[論文レビュー] Causal Inference for Spatial Treatments

Michael Pollmann|arXiv (Cornell University)|Oct 31, 2020

COVID-19 epidemiological studies参考文献 111被引用数 6

ひとこと要約

本稿は、候補地の中から処置場所を無作為に割り当てる空間的処置のための設計ベースの因果推論フレームワークを提案する。有効な設計ベースの標準誤差を伴う逆確率重み付け推定量を導入し、観察データにおいて反事後的処置場所を同定するために畳み込みニューラルネットワークを用いる。COVID-19期における食料品店の歩行者数への近距離効果が顕著であることが判明した。

ABSTRACT

Many events and policies (treatments) occur at specific spatial locations, with researchers interested in their effects on nearby units of interest. I approach the spatial treatment setting from an experimental perspective: What ideal experiment would we design to estimate the causal effects of spatial treatments? This perspective motivates a comparison between individuals near realized treatment locations and individuals near counterfactual (unrealized) candidate locations, which differs from current empirical practice. I derive design-based standard errors that are straightforward to compute irrespective of spatial correlations in outcomes. Furthermore, I propose machine learning methods to find counterfactual candidate locations using observational data under unconfounded assignment of the treatment to locations. I apply the proposed methods to study the causal effects of grocery stores on foot traffic to nearby businesses during COVID-19 shelter-in-place policies, finding a substantial positive effect at a very short distance, with no effect at larger distances.

研究の動機と目的

• 空間的処置の因果効果を推定するための理想実験を形式化すること。
• 結果の空間的相関に対して頑健な設計ベースの標準誤差を導出すること。
• 観察データにおいて交差項のない割り当てのもとで反事後的処置場所を同定するための機械学習手法を開発すること。
• 3つの主要な方法論的問題に取り組む：対照群の選定、標準誤差の推定、理想実験の観察データへの模倣。
• 実証研究における空間的処置効果推定に実用的かつ実行可能な推奨事項を提供すること。

提案手法

• 処置場所があり得る候補地の集合の中から無作為に割り当てられる理想実験を形式化する。
• 設計ベースの枠組みのもとで近似不偏性を保証する、ある距離における平均処置効果のための逆確率重み付け推定量を導出する。
• 計算が容易で空間的相関に対して頑健な設計ベースの分散推定量を提案する。
• 畳み込みニューラルネットワークを用いて共変量の空間的分布をモデル化し、観察データにおける反事後的処置場所を同定する。
• 推定された傾向スコアを用いた逆確率重み付けにより、空間的共変量に基づいて処置群と対照群をバランスさせる。
• シミュレーション研究を用いて、提案された枠組みのもとでの推定量のバイアス、分散、信頼区間のカバレッジを検証する。

実験結果

リサーチクエスチョン

• RQ1 ある距離における空間的処置効果を推定する際、対照群にどの個体を含めるべきか？
• RQ2 理想実験のもとで推定された処置効果の正しい標準誤差は何か？
• RQ3 観察データしか入手できない状況で、どのようにして理想実験の論理を再現できるか？
• RQ4 空間的設定において、設計ベースの分散推定量と従来の標本抽出ベースの分散とを比較するとどうなるか？
• RQ5 交差項のない割り当てのもとで、機械学習手法が有効な反事後的処置場所を同定する性能はいかがなものか？

主な発見

• 提案された推定量 $\hat{\tau}$ はシミュレーションでわずかなバイアスを示し、シミュレーションノイズと同等であり、実現不可能なベンチマーク $\tilde{\tau}$ とほぼ同等の性能を発揮する。
• 設計ベースの $\hat{\tau}$ の分散は、98％のシミュレートされた母集団で $\tilde{\tau}$ の真の分散と1％以内に収まる。
• ホルヴィッツ＝トンプソン推定量 $\hat{\tau}_{HT}$ は $\tilde{\tau}$ よりも顕著に分散が大きく（約60％高い）ため、非効率である。
• 提案された分散推定量を用いた信頼区間は、すべてのシミュレートされた母集団で名目水準（95％）に近いカバレッジを達成する。
• すべてのシミュレーションで $\hat{\tau}$ と $\tilde{\tau}$ の間の相関はほぼ1であり、性能がほぼ同一であることが示された。
• 実応用では、COVID-19期の避妊措置下において、食料品店の周辺での歩行者数への効果が非常に短い距離で顕著に正のものであり、距離が離れるにつれて効果は見られないことが判明した。