[論文レビュー] De-biased Machine Learning in Instrumental Variable Models for Treatment Effects

Rahul Singh, Liyang Sun|arXiv (Cornell University)|Jan 1, 2019

Advanced Causal Inference Techniques参考文献 53被引用数 8

ひとこと要約

本稿では、高次元の工具変数モデルにおけるコンプライヤー・パrameter—局所的平均処置効果、平均コンプライヤー特性、反実仮想結果分布など—を推定するためのデバイアス除去機械学習手法Auto-DMLを提案する。機械学習を用いて正則化されたバランス重みを通じて推定量を自動的にデバイアス除去することで、恣意的なトリミングや打ち切りを要せず、一貫性、漸近正規性、半パラメトリック効率性を達成する。この手法を用いて、401(k)参加が純金融資産に与える影響を推定する。

ABSTRACT

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 automatic de-biased machine learning (Auto-DML). By regularizing the balancing weights, it does not require ad hoc trimming or censoring. We prove our estimator is consistent, asymptotically normal, and semi-parametrically efficient. We use the new approach to estimate the effect of 401(k) participation on the distribution of net financial assets.

研究の動機と目的

• 高次元の工具変数モデルにおいて、局所的平均処置効果などのコンプライヤー・パrameterを推定する際のバイアスを是正すること。
• 処置効果推定に用いるバランス重みにおける恣意的なトリミングや打ち切りの必要性を排除すること。
• 一貫性、漸近正規性、半パラメトリック効率性を保証する機械学習ベースのデバイアス除去メカニズムの開発。
• 高次元データを用いて、401(k)参加が純金融資産の分布に与える影響を推定すること。

提案手法

• 工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ための、機械学習を用いた自動デバイアス除去機械学習（Auto-DML）フレームワークを提案する。
• 正則化されたバランス重みを用いて推定量をデバイアス除去し、極端な重みの手動トリミングや打ち切りの必要性を回避する。
• 二重/デバイアス除去機械学習の原則を適用することで、推定量が漸近的に正規分布に従い、半パラメトリックに効率的であることを保証する。
• 高次元設定におけるバイアス低減と有限標本性能の向上のため、クロスフィッティングを用いる。
• 局所的平均処置効果、平均コンプライヤー特性、反実仮想結果分布を含むコンプライヤー・パrameterを推定する。
• 高次元データセットにこの手法を適用し、401(k)参加が純金融資産に与える影響を推定する。

実験結果

リサーチクエスチョン

• RQ1 高次元の工具変数モデルにおいて、恣意的なトリミングを要せず、機械学習を用いて推定量をデバイアス除去することは可能か？
• RQ2 提案されたAuto-DML手法は、コンプライヤー・パrameterの推定において一貫性、漸近正規性、半パラメトリック効率性を達成するか？
• RQ3 高次元の交絡要因を考慮した場合、401(k)参加は純金融資産の分布にどのような影響を与えるか？
• RQ4 高次元の条件付き分布下で、平均コンプライヤー特性および反実仮想結果分布の推定において、この手法はどのように性能を発揮するか？

主な発見

• 提案されたAuto-DML推定量は、正則性条件の下で、高次元的交絡要因の条件付きでも一貫性と漸近正規性を有する。
• ヌイアンスパラメータを最小バイアスで推定するための機械学習の活用により、半パラメトリック効率性を達成する。
• バランス重みの正則化により、恣意的なトリミングや打ち切りの必要性が排除され、有限標本におけるロバストネスが向上する。
• 高次元データを用いて、401(k)参加が純金融資産に与える局所的平均処置効果を効果的に推定することができた。
• 推定量はコンプライヤー特性および反実仮想結果分布の有効な推論を可能にし、より深い因果分析を可能にする。
• 実応用の結果、401(k)参加は純金融資産に顕著な正の影響を与えることが示され、高次元的コントロールに対しても推定値はロバストである。