[論文レビュー] Minimax Linear Estimation of the Retargeted Mean

David A. Hirshberg, Arian Maleki+1 more|arXiv (Cornell University)|Jan 11, 2019

Advanced Causal Inference Techniques参考文献 26被引用数 15

ひとこと要約

本稿では、再帰的ヒルバート空間（RKHS）モデルから導出されたバランス化重みを用いて、標本集団における処置特有の平均を最小最大線形推定量として提案する。著者は、弱い正則性条件のもとで推定量のバイアスが漸近的に無視できる大きさであることを確立し、信頼区間を構築する際のバイアス無視の一般的な実務的慣習を正当化するとともに、推定量が最適な分散を達成し、結果関数の未知の滑らかさレベルに適応可能であることを示している。

ABSTRACT

Evaluating treatments received by one population for application to a different target population of scientific interest is a central problem in causal inference from observational studies. We study the minimax linear estimator of the treatment-specific mean outcome on a target population and provide a theoretical basis for inference based on it. In particular, we provide a justification for the common practice of ignoring bias when building confidence intervals with these linear estimators. Focusing on the case that the class of the unknown outcome function is the unit ball of a reproducing kernel Hilbert space, we show that the resulting linear estimator is asymptotically optimal under conditions only marginally stronger than those used with augmented estimators. We establish bounds attesting to the estimator's good finite sample properties. In an extensive simulation study, we observe promising performance of the estimator throughout a wide range of sample sizes, noise levels, and levels of overlap between the covariate distributions of the treated and target populations.

研究の動機と目的

• 標本集団における処置効果を推定する際の因果推論における信頼区間の理論的基盤を提供すること。
• 最小最大線形推定量の信頼区間を構築する際のバイアス無視の広く一般的な実務的慣習を正当化すること。
• RKHSモデル下での最小最大線形推定量の有限標本的および漸近的性質を分析すること。
• より強いモデル仮定を必要とせずに、真の結果関数の滑らかさの未知のレベルに適応可能な推定量の性質を示すこと。
• 推定量が最適な分散と漸近正規性を達成するための条件を確立すること。

提案手法

• 最小最大線形推定量は、RKHS内に属する回帰関数のクラス上で凸二次計画問題を解くことによって導出される。
• 推定量は、訓練標本におけるカーネルリッジ回帰に関連する双対表現を介して特徴付けられる。
• 本手法では、処置群と標本集団間の共変量分布の差を補正するためのバランス化重みが用いられる。
• 理論的分析は、カーネル作用素の固有値の減衰とRKHSノルムによる条件付きバイアスの上限評価に依存する。
• 有限標本の境界は、RKHSクラスにおける集中不等式とメトリックエントロピーの議論を用いて導出される。
• 固有値とノイズ分散に関する条件下で、漸近正規性と分散最適性が確立される。

実験結果

リサーチクエスチョン

• RQ1 再ターゲティング平均推定の文脈において、最小最大線形推定量のバイアスがどの程度無視できるかの条件は何か？
• RQ2 このクラスの推定量の信頼区間を構築する際、なぜバイアスを無視しても理論的に正当化できるのか？
• RQ3 推定量の性能は、潜在的な結果関数の滑らかさにどのように依存するか？
• RQ4 より強いモデル仮定を必要とせずに、未知の滑らかさレベルにどの程度適応可能か？
• RQ5 RKHSモデル下での推定量の有限標本的および漸近的性質は何か？

主な発見

• 補正済み推定量に必要な条件よりもわずかに強い条件下で、最小最大線形推定量のバイアスは漸近的に無視できる大きさである。
• 正則性条件のもとで、推定量は最適分散を達成し、Cramér-Rao下界に到達する漸近正規分布を有する。
• バイアスを考慮した信頼区間とバイアスを無視した区間は、漸近的に同等であるため、推定の実務的慣習であるバイアス無視が理論的に正当化される。
• 推定量は適応的である：真の結果関数が仮定よりも滑らかであっても、モデルに高階の滑らかさを指定する必要なく最適な性能を達成する。
• 有限標本の境界は、広い範囲の標本サイズ、ノイズレベル、および共変量分布の重複条件において良好な性能を示す。
• 推定量の収束速度は $ o(n^{-1/4}) $ であり、バイアスは $ \sigma^2 \ll n $ かつ $ n^{1 - \kappa^{-1}} \gg \sigma^2 $ のとき無視できる大きさである。ここで $ \kappa = \kappa_m + \kappa_g + \kappa_g(1 - \kappa_m) $ である。