[論文レビュー] Double/Debiased Machine Learning for Dynamic Treatment Effects

Greg Lewis, Vasilis Syrgkanis|arXiv (Cornell University)|Feb 17, 2020

Advanced Causal Inference Techniques被引用数 8

ひとこと要約

本稿では、複数の治療が時間経過とともに割り当てられ、将来の結果に影響を与える高次元で時変化する設定において、動的治療効果を推定するための二重/バイアス補正機械学習フレームワークを提案する。逐次回帰ピーリングプロセスを用いることで、ネイマン直交モーメント推定量に相当するものとなり、任意の機械学習手法を用いて高次元状態を制御しても、根nの漸近正規性と有効な推論が可能になる。

ABSTRACT

We consider the estimation of treatment effects in settings when multiple treatments are assigned over time and treatments can have a causal effect on future outcomes. We formulate the problem as a linear state space Markov process with a high dimensional state and propose an extension of the double/debiased machine learning framework to estimate the dynamic effects of treatments. Our method allows the use of arbitrary machine learning methods to control for the high dimensional state, subject to a mean square error guarantee, while still allowing parametric estimation and construction of confidence intervals for the dynamic treatment effect parameters of interest. Our method is based on a sequential regression peeling process, which we show can be equivalently interpreted as a Neyman orthogonal moment estimator. This allows us to show root-n asymptotic normality of the estimated causal effects.

研究の動機と目的

• 複数の治療が時間経過とともに割り当てられ、それらが将来の結果に影響を与える状況で、動的治療効果を推定すること。
• 縦断的設定において因果推定を妨げる高次元状態ベクトルの課題に対処すること。
• 高次元状態の制御に任意の機械学習手法を用いることができるが、有効な統計的推論を維持すること。
• 高次元条件付きの下で、動的治療効果パラメータの根nの漸近正規性と信頼区間を提供すること。
• 高次元状態空間におけるモデル誤指定に対して頑健であるフレームワークを構築すること。

提案手法

• この手法は、高次元状態を伴う線形状態空間マルコフ過程としてシステムをモデル化する。
• 治療効果の推定を段階的にバイアス補正するための逐次回帰ピーリングプロセスを導入する。
• ピーリングプロセスが数学的にネイマン直交モーメント推定量に等価であることが示され、高次元のヌイアンス関数の推定誤差に対して頑健であることが保証される。
• 任意の機械学習手法を用いて高次元状態を推定できるが、その手法が平均二乗誤差の保証を満たしていればよい。
• ヌイアンス関数に対して直交する推定方程式を構築することで、弱い正則性条件のもとで有効な推論が可能になる。
• このアプローチは、動的治療効果パラメータのパラメトリック推定と信頼区間の構築をサポートする。

実験結果

リサーチクエスチョン

• RQ1 高次元で時変化するシステムにおいて、複数の治療が割り当てられる状況で、動的治療効果を一貫して推定できるか？
• RQ2 高次元状態ベクトルを制御するために機械学習手法を用いるが、統計的推論を無効にしない方法は何か？
• RQ3 このような設定で、推定された治療効果の根nの漸近正規性を保証する条件は何か？
• RQ4 状態空間モデルにおける動的治療効果に対して、ネイマン直交推定方程式を構築できるか？
• RQ5 逐次回帰ピーリングプロセスは、高次元状態の推定誤差に対してどのようにして頑健性を確保するか？

主な発見

• 提案手法は、推定された動的治療効果に対して根nの漸近正規性を達成し、有効な推論を可能にする。
• 逐次回帰ピーリングプロセスは、ネイマン直交モーメント推定量に等価であり、高次元状態における推定誤差に対して頑健であることを保証する。
• フレームワークは、平均二乗誤差の保証を満たす限り、任意の機械学習手法を用いて高次元状態を推定できる。
• 弱い正則性条件のもとで、動的治療効果パラメータの信頼区間を有効な被覆率で構築できる。
• 高次元状態が複雑な非パラメトリック手法で推定されても、統計的効率性と有効性を維持する。