[論文レビュー] Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis

Max Goplerud, Kosuke Imai+1 more|arXiv (Cornell University)|Jan 4, 2022

Survey Sampling and Estimation Techniques被引用数 11

ひとこと要約

本稿では、多数の属性組み合わせを含むコンジョイント実験などの高次元処置設定における異質的因果効果を推定するため、正則化ロジスティック回帰のベイジアン混合モデルを提案する。処置効果パターンに基づいてユニットをクラスタリングし、クラスターメンバーシップを共変量でモデル化することで、異なる反応者グループを同定する。移民コンジョイント調査に適用した結果、ヨーロッパ系でない移民に対して差別的である偏見の強いサブグループが明らかになった。

ABSTRACT

Estimation of heterogeneous treatment effects is an active area of research. Most of the existing methods, however, focus on estimating the conditional average treatment effects of a single, binary treatment given a set of pre-treatment covariates. In this paper, we propose a method to estimate the heterogeneous causal effects of high-dimensional treatments, which poses unique challenges in terms of estimation and interpretation. The proposed approach finds maximally heterogeneous groups and uses a Bayesian mixture of regularized logistic regressions to identify groups of units who exhibit similar patterns of treatment effects. By directly modeling group membership with covariates, the proposed methodology allows one to explore the unit characteristics that are associated with different patterns of treatment effects. Our motivating application is conjoint analysis, which is a popular type of survey experiment in social science and marketing research and is based on a high-dimensional factorial design. We apply the proposed methodology to the conjoint data, where survey respondents are asked to select one of two immigrant profiles with randomly selected attributes. We find that a group of respondents with a relatively high degree of prejudice appears to discriminate against immigrants from non-European countries like Iraq. An open-source software package is available for implementing the proposed methodology.

研究の動機と目的

• 処置組み合わせの数が標本サイズを大幅に上回る高次元処置設定において、因果推論手法のギャップを埋める。
• 要因設計に起因する複雑な処置効果の異質性の推定と解釈の課題を克服する。
• 同じ処置効果パターンを示す被験者グループのクラスタを同定することで、個別ユニットの異質性をモデル化する。
• 異なる処置効果プロファイルを持つクラスタに属するかどうかを予測する共変量を解釈可能に特定する。
• 高次元処置変動を伴うコンジョイント実験を分析するためのスケーラブルでオープンソースのソリューションを提供する。

提案手法

• 複数のユニットクラスタにおける処置効果を推定するために、正則化ロジスティック回帰のベイジアン有限混合モデルを用いる。
• 事前処置共変量を用いてクラスターメンバーシップをモデル化することで、異なる効果パターンに関連する特徴を同定する。
• 2段階推定手順を採用する：まず訓練データ分割で初期クラスタ割り当てを推定し、次に制約付きで全データで再適合させる。
• 正則化（例：ラッソ型ペナルティ）を組み込み、高次元処置効果に対処し、過剰適合を防ぐ。
• データ分割ごとのクラスタ同一定着を安定化させるために、順列最小化によるラベル入れ替え補正を実装する。
• オープンソースの FactorHet R パッケージ（https://www.github.com/mgoplerud/FactorHet）を介して本手法を実装する。

実験結果

リサーチクエスチョン

• RQ1 高次元コンジョイント実験において、どの被験者サブグループが一貫して異なる処置効果を示すか？
• RQ2 政治的イデオロギーやナショナリズムなどの共変量は、異なる処置効果プロファイルを持つクラスタへの所属をどの程度予測できるか？
• RQ3 特定の属性（例：出身国、法的身分）について、同定された各クラスタ内での処置効果の大きさと方向性は何か？
• RQ4 有限標本におけるバイアス、カバレッジ、平均二乗誤差の観点から、本手法は標準的手法とどの程度異なるか？
• RQ5 クラスタリング結果は、異なるデータ分割やモデル仕様に対してどの程度安定しているか？

主な発見

• 偏見の程度が高い被験者サブグループは、イラクなどヨーロッパ系でない国からの移民に対して顕著な否定的処置効果を示す。
• 分割サンプル再適合手法は、全データ推定と比較してバイアスを低減し、特に真の効果がゼロでない場合の頻度的カバレッジを向上させる。
• 分割サンプル手法の中央値カバレッジは、大規模な標本サイズでは名目の95％水準に近く、少数の外れ値を除いて低カバレッジは観察されない。
• 出身国の推定平均限界効果（MM）は、偏見の強いクラスタで非ヨーロッパ系移民に対する一貫した差別を示している。
• サンプル分割における安定性の問題が観察されたが、順列最小化によるラベル入れ替え補正により、繰り返しにおけるクラスタ同一定着が安定化した。
• 3クラスタモデルは、1つのクラスタが不法滞在移民を一貫して罰しているのに対し、別のクラスタは非ヨーロッパ系国籍者に対して強いバイアスを示していることを明らかにした。