[論文レビュー] Efficient Inference of Average Treatment Effects in High Dimensions via Approximate Residual Balancing

Susan Athey, Guido W. Imbens+1 more|arXiv (Cornell University)|Jan 1, 2016

Advanced Causal Inference Techniques参考文献 63被引用数 48

ひとこと要約

本稿は、近似残差バランス化と回帰補正を組み合わせることで、高次元設定における平均処置効果の推定に新たな手法を提案する。この手法は、傾向スコアのモデル化を必要とせず、オーバラップ条件とアウトカムモデルのスパarsityに依存するだけで、半パラメトリック効率性を達成する。

ABSTRACT

There are many studies where researchers are interested in estimating average treatment effects and are willing to rely on the unconfoundedness assumption, which requires that treatment assignment is as good as random conditional on pre-treatment variables. The unconfoundedness assumption is often more plausible if a large number of pre-treatment variables are included in the analysis, but this can worsen the finite sample properties of existing approaches to estimation. In particular, existing methods do not handle well the case where the model for the propensity score (that is, the model relating pre-treatment variables to treatment assignment) is not sparse. In this paper, we propose a new method for estimating average treatment effects in high dimensions that combines balancing weights and regression adjustments. We show that our estimator achieves the semi-parametric efficiency bound for estimating average treatment effects without requiring any modeling assumptions on the propensity score. The result relies on two key assumptions, namely overlap (that is, all units have a propensity score that is bounded away from 0 and 1), and sparsity of the model relating pre-treatment variables to outcomes.

研究の動機と目的

• 非スパースな傾向スコアモデルを伴う高次元設定において、平均処置効果を推定する既存手法の有限標本性能の悪さを是正すること。
• 高次元の事前共変量において、バランス化重みと回帰補正を併用することで推定精度を向上させること。
• 傾向スコアのモデル化仮定を必要とせず、平均処置効果推定における半パラメトリック効率性を達成すること。
• オーバラップ条件およびアウトカム回帰モデルのスパarsityの下でロバスト性を確保すること。
• 高次元推論において計算的に効率的で、理論的にも裏付けられた手法を提供すること。

提案手法

• 事前共変量を処置群と対照群でバランスさせる重みを構築するために、近似残差バランス化を用いる。
• これらのバランス化重みを、アウトカムモデルの回帰補正と組み合わせることで推定の効率性を向上させる。
• 2段階推定手順に依存する：まず、残差不均衡を最小化する凸最適化問題を通じてバランス化重みを推定する。
• 次に、バランス化重みを標本重みとして使用して、処置と共変量のアウトカムに関する回帰を実行する。
• 傾向スコアのモデル化を必要とせず、高次元におけるモデル誤指定の問題を回避する。
• 理論的分析により、オーバラップ条件およびアウトカムモデルのスパarsityの下で、推定量が半パラメトリック効率限界に達することが示された。

実験結果

リサーチクエスチョン

• RQ1 傾向スコアのモデル化を要しない高次元平均処置効果推定量を開発することは可能か？
• RQ2 バランス化重みと回帰補正をどのように組み合わせることで、高次元設定における有限標本性能を改善できるか？
• RQ3 提案手法が平均処置効果推定において半パラメトリック効率性を達成する条件は何か？
• RQ4 推定量が一貫性および効率性を示すために必要な最小限の正則性条件は何か？
• RQ5 傾向スコアモデルが非スパースである場合、この手法はどの程度の性能を示すか？（高次元データにおける一般的な課題）

主な発見

• 提案された推定量は、傾向スコアのモデル化を一切要せず、平均処置効果推定における半パラメトリック効率限界に達する。
• オーバラップ条件の下でも有効かつ効率的であり、すべての単位が0および1から離れた傾向スコアを持つことを保証する。
• 傾向スコアモデルが非スパースであっても、有限標本性能が良好に保たれる。これは、先行手法の制限を克服するものである。
• 理論的結果により、アウトカムモデルが近似的にスパースであるという仮定の下で、推定量が効率的であることが確認された。
• 計算の実行可能性と強固な理論的保証を併せ持つため、高次元の観察的研究に適している。
• 実証的結果から、本手法は高次元設定において、バイアスおよび平均二乗誤差の観点で、既存手法を上回ることが示唆された。