[論文レビュー] Generalized Optimal Matching Methods for Causal Inference

Nathan Kallus|arXiv (Cornell University)|Dec 26, 2016

Advanced Causal Inference Techniques参考文献 49被引用数 28

ひとこと要約

本稿では、因果推論のための最適マッチング、共変量のバランス、二重に頑健な手法を統合的に拡張する統一的枠組みである一般化最適マッチング（GOM）を紹介する。関数解析的最適化問題としてマッチングを定式化することにより、GOMは共変量のバランスと推定分散の間の自動的トレードオフを可能にし、パラメトリックレートの効率性、モデルフリーの整合性、および頑健性を達成するキーパラメータクラスであるカーネル最適マッチング（KOM）を含む。合成データおよび実世界のデータにおいて、標準的手法を上回る性能を発揮する。

ABSTRACT

We develop an encompassing framework for matching, covariate balancing, and doubly-robust methods for causal inference from observational data called generalized optimal matching (GOM). The framework is given by generalizing a new functional-analytical formulation of optimal matching, giving rise to the class of GOM methods, for which we provide a single unified theory to analyze tractability, consistency, and efficiency. Many commonly used existing methods are included in GOM and, using their GOM interpretation, can be extended to optimally and automatically trade off balance for variance and outperform their standard counterparts. As a subclass, GOM gives rise to kernel optimal matching (KOM), which, as supported by new theoretical and empirical results, is notable for combining many of the positive properties of other methods in one. KOM, which is solved as a linearly-constrained convex-quadratic optimization problem, inherits both the interpretability and model-free consistency of matching but can also achieve the $\sqrt{n}$-consistency of well-specified regression and the efficiency and robustness of doubly robust methods. In settings of limited overlap, KOM enables a very transparent method for interval estimation for partial identification and robust coverage. We demonstrate these benefits in examples with both synthetic and real data

研究の動機と目的

• 最適マッチング、重み付け、回帰、および二重に頑健な推定器といった、異なる因果推論手法を、一つの理論的枠組みで統合すること。
• マッチングにおける本質的なバランス-分散トレードオフを、原理的かつ自動的に最適化するアプローチを開発すること。
• 最適マッチングや回帰といった既存手法を、推定精度と頑健性を向上させる一般化されたクラスに拡張すること。
• マッチングの解釈可能性と二重に頑健な推定器の効率性・頑健性を組み合わせた、KOMという新しい手法を開発すること。
• 共変量の重複が限られている状況における部分的同定性下での透明な区間推定を可能にすること。

提案手法

• 最適マッチングを、条件付き期待値関数、重みの許容範囲、残差分散に関する制約の下で、最悪ケースの条件付き平均二乗誤差を最小化する関数解析的定式化として提示する。
• 残差分散制約を一般化してGOM枠組みを構築し、1つの最適化問題によって自動的なバランス-分散トレードオフを実現する。
• 重み空間におけるカーネルベースのノルムを用いてKOMをGOMのサブクラスとして定義し、線形制約付きの凸二次計画問題として解く。
• KOMにおけるハイパーパrameterチューニングに、経験ベイズ手法を用い、柔軟なモデル選択と頑健な性能を実現する。
• KOMを回帰の前処理として、または拡張重み付き推定量に応用し、モデル誤指定下でも整合性と効率性を保証する。
• KOMおよびその変種（KOM++）の整合性、効率性、頑健性に関する理論的保証を導出する。

実験結果

リサーチクエスチョン

• RQ1 最適マッチング、共変量のバランス、および二重に頑健な手法を、因果推論において1つの枠組みで統合できるか？
• RQ2 マッチングにおけるバランス-分散トレードオフを、自動的かつ最適に解消できるか？
• RQ3 マッチングの解釈可能性と二重に頑健な推定器の効率性・頑健性を組み合わせた手法は構築可能か？
• RQ4 モデル誤指定下でのKOMの整合性、効率性、頑健性に関する理論的性質は何か？
• RQ5 KOMは、共変量の重複が限られている状況における部分的同定性下で、透明な区間推定を可能にするか？

主な発見

• KOMは正しいモデル仕様下でp_n-整合性を達成し、モデル誤指定下ではモデルフリーの整合性を示し、マッチングと回帰の長所を併せ持つ。
• KOM++は、標準的手法（ONFBおよびCEM++）を上回り、バランス-分散トレードオフを自動的に最適化することで推定誤差を低減する。
• KOMは、共変量の重複が限られている状況における部分的同定された処置効果の透明な区間推定を可能にし、頑健なカバレッジを実現する。
• KOMに基づく拡張カーネル重み付き推定量は、二重に頑健な推定器の頑健性と効率性を継承する。
• 線形回帰の前処理としてKOMを用いることで、モデル依存性が低減され、モデルフリーの整合性が維持されつつ効率性が向上する。
• 合成データおよび実データにおける実証結果から、KOMは標準的手法（マッチングおよび回帰）と比較して、推定の効率性と頑健性が顕著に向上することが示された。