[論文レビュー] Causal inference under mis-specification: adjustment based on the propensity score

David A. Stephens, Widemberg S. Nobre+2 more|arXiv (Cornell University)|Jan 30, 2022

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿では、モデル不適合を明示的に扱う傾向スコア補正を用いた完全ベイズ的因果推論フレームワークを提案する。従来の2段階ベイズ的手法の限界を克服し、意思決定理論的推論とベイジアンブートストラップを統合することで、結果モデルや傾向スコアモデルが不適合であっても、有効な事後推論が得られ、強い頻度的性質を示す。これは、連合モデリングや柔軟回帰手法に対する頑健な代替手法を提供する。

ABSTRACT

We study Bayesian approaches to causal inference via propensity score regression. Much of the Bayesian literature on propensity score methods have relied on approaches that cannot be viewed as fully Bayesian in the context of conventional `likelihood times prior' posterior inference; in addition, most methods rely on parametric and distributional assumptions, and presumed correct specification. We emphasize that causal inference is typically carried out in settings of mis-specification, and develop strategies for fully Bayesian inference that reflect this. We focus on methods based on decision-theoretic arguments, and show how inference based on loss-minimization can give valid and fully Bayesian inference. We propose a computational approach to inference based on the Bayesian bootstrap which has good Bayesian and frequentist properties.

研究の動機と目的

• モデル不適合下で失敗する標準的ベイズ的2段階傾向スコア手法の限界を解消すること。
• 結果モデルや傾向スコアモデルが誤って指定された場合でも有効なままとなる完全ベイズ的因果推論フレームワークを構築すること。
• 意思決定理論的推論とベイジアンブートストラップを組み合わせることで、従来の2段階ベイズ推定量よりも優れた頻度的性能を示すことを示すこと。
• 傾向スコアモデルと結果モデルをベイジアンブートストラップを介してリンクさせることで、意図的なモデル不適合下でも有効な事後推論が得られることを示すこと。
• フィードバックに起因する治療効果推定のバイアスを回避する連合モデリングの原理的代替手法を提供すること。

提案手法

• モデル不適合下でのベイズ的推論に意思決定理論フレームワークを適用し、因果推定量をデータ生成モデルのパラメータではなく、推定の目的とみなす。
• デ・フィネッティの表現を用いて交換可能性を正当化し、不適合下でも一貫したベイズ的更新を可能にする。
• 極限的なディリクレ過程（α → 0）を用いたベイジアンブートストラップにより、データ生成プロセスと整合する事後予測サンプルを生成する。
• 傾向スコアモデルと結果モデルを共通の事後予測分布でリンクさせることで、結果モデルが傾向スコア推定にフィードバックするのを回避する。
• 傾向スコアを最初に推定し、その後に結果回帰を実行する2段階ベイズ手順を実装するが、事後推論はベイジアンブートストラップで補正する。
• 損失最小化を推論の原則とし、標準的な尤度に基づく更新ではなく、意思決定理論的基準下で最適な事後分布が得られることを保証する。

実験結果

リサーチクエスチョン

• RQ1 モデル不適合下でも有効な推論が得られる完全ベイズ的2段階アプローチが、傾向スコア補正に適用可能か。
• RQ2 因果推定量がデータ生成モデルのパラメータでない因果設定において、意思決定理論的推論がどのようにベイズ的手法を正当化できるか。
• RQ3 モデル不適合下で良好なベイズ的および頻度的性質を有する計算戦略は何か。
• RQ4 標準的ベイズ的2段階推定量が頻度的観点でなぜ性能が悪いのか、そしてその是正法は何か。
• RQ5 ベイジアンブートストラップは、傾向スコアに基づく因果推論において、連合モデリングの有効で頑健な代替手段として機能できるか。

主な発見

• 標準的ベイズ的2段階推定量は、大標本であってもモデル不適合のため頻度的性能が著しく劣る。
• 意思決定理論的フレームワークにより、因果推定量をモデルのパrameterではなく推定の目的とみなすことで、意図的なモデル不適合下でも有効なベイズ的推論が可能になる。
• 傾向スコアモデルと結果モデルをリンクさせたベイジアンブートストラップは、強い頻度的性質を有する事後分布を生成し、従来の2段階ベイズ手法を上回る性能を示す。
• 結果モデリングが傾向スコア推定にフィードバックするのを回避することで、バランスの維持と治療効果推定のバイアス低減が達成される。
• 結果モデルおよび傾向スコアモデルの両方の不適合に対しても頑健であるため、正確なモデル指定がほとんど達成できない現実世界の因果推論に適している。
• 理論的およびシミュレーション結果から、本手法はさまざまな不適合モデル下でも有効な被覆率と低バイアスを維持することが確認され、特に結果モデルが柔軟または不適合である場合に顕著である。