[論文レビュー] De-biased Machine Learning for Compliers

Rahul Singh, Liyang Sun|arXiv (Cornell University)|Sep 10, 2019

Economic Policies and Impacts被引用数 4

ひとこと要約

本稿では、高次元の設定において、器具変数を用いて、局所平均処置効果や反実仮想の結果分布といったコンプライヤー・パrameterを推定するための、バイアス補正付き機械学習手法 DML-RRR を提案する。この手法は一貫性、漸近正規性、および半パラメトリック効率性を保証し、シミュレーションおよび401(k)参加が純金融資産に与える影響の実世界分析において、既存手法を上回る性能を示した。

ABSTRACT

Instrumental variable identification is a concept in causal statistics for estimating the counterfactual effect of treatment D on output Y controlling for covariates X using observational data. Even when measurements of (Y,D) are confounded, the treatment effect on the subpopulation of compliers can nonetheless be identified if an instrumental variable Z is available, which is independent of (Y,D) conditional on X and the unmeasured confounder. We introduce a de-biased machine learning (DML) approach to estimating complier parameters with high-dimensional data. Complier parameters include local average treatment effect, average complier characteristics, and complier counterfactual outcome distributions. In our approach, the de-biasing is itself performed by machine learning, a variant called de-biased machine learning via regularized Riesz representers (DML-RRR). We prove our estimator is consistent, asymptotically normal, and semi-parametrically efficient. In experiments, our estimator outperforms state of the art alternatives. We use it to estimate the effect of 401(k) participation on the distribution of net financial assets.

研究の動機と目的

• 交絡が存在する高次元の観察データにおいて、コンプライヤーに対する処置効果を推定する課題に対処すること。
• 高次元の共変量が存在する中でも、一貫性、漸近正規性、および半パラメトリック効率的推定を保証する手法を開発すること。
• 正則化されたリーマン表現子を用いたバイアス補正を組み込むことで、機械学習手法を器具変数設定に拡張すること。
• 無作為性と除外制約の下で、局所平均処置効果および反実仮想の結果分布を推定する強固なフレームワークを提供すること。

提案手法

• 正則化されたリーマン表現子を用いて、器具変数モデルにおけるヌイアンスパラメータを推定する、バイアス補正付き機械学習フレームワーク DML-RRR を提案する。
• 機械学習を用いて潜在的結果の条件付き平均関数および処置割合を推定し、最終推定量のバイアスを低減する。
• ヌイアンス関数の推定誤差に対してロバストであるよう、ネイマン直交推定方程式を適用する。
• 有限標本性能を向上させるとともに、漸近的有効性を維持するために、クロスフィッティングを用いる。
• 二重ロバスト構造を実装し、結果モデルまたは処置モデルのいずれかが正しく指定されていれば、推定量が一貫するようにする。
• 正則性条件の下で、推定量の漸近正規性および半パラメトリック効率の上限を導出する。

実験結果

リサーチクエスチョン

• RQ1 バイアス補正付き機械学習は、器具変数を用いた高次元設定におけるコンプライヤー・パラメータ推定に効果的に適応可能か？
• RQ2 提案された DML-RRR 法は、局所平均処置効果の推定において、漸近正規性および半パラメトリック効率性を達成するか？
• RQ3 DML-RRR は、有限標本性能およびロバスト性において、既存の最先端手法と比較して優れているか？
• RQ4 401(k)参加が、純金融資産の分布に与える影響は、コンプライヤー特有の処置効果を用いて推定するとどうなるか？

主な発見

• DML-RRR 推定量は、正則性条件の下で一貫性、漸近正規性、および半パラメトリック効率性を達成する。
• 実験的評価では、DML-RRR がバイアス、分散、信頼区間のカバレッジ確率の点で、最先端の代替手法を上回っていることが示された。
• この手法は、401(k)参加が純金融資産に与える局所平均処置効果を的確に推定でき、コンプライヤーに対して顕著な正の効果が認められた。
• 高次元の共変量が存在する中でも、コンプライヤーの反実仮想結果分布に関する信頼性のある推論が可能である。
• 正則化されたリーマン表現子の使用により、高次元設定におけるヌイアンス関数の正確かつ安定した推定が可能になった。
• クロスフィッティングおよびネイマン直交推定方程式の導入により、有限標本性能が向上し、モデル誤指定に対してもロバスト性が向上した。