[論文レビュー] On Adaptive Propensity Score Truncation in Causal Inference

Cheng Ju, Joshua Schwab+1 more|arXiv (Cornell University)|Jul 18, 2017

Advanced Causal Inference Techniques参考文献 23被引用数 8

ひとこと要約

本稿では、標的パrameter推定量の平均二乗誤差を最小化するための共同的ターゲット付き最大尤度推定を用いて、最適なトリミング点を特定するデータ適応型の感受性スコアトリミング手法であるPositivity-C-TMLEを提案する。この手法は、有限標本において固定トリミング法や他のアダプティブ手法を上回り、実用的ポジティブティ違反下でも優れた点推定と信頼区間カバレッジを達成する。

ABSTRACT

The positivity assumption, or the experimental treatment assignment (ETA) assumption, is important for identifiability in causal inference. Even if the positivity assumption holds, practical violations of this assumption may jeopardize the finite sample performance of the causal estimator. One of the consequences of practical violations of the positivity assumption is extreme values in the estimated propensity score (PS). A common practice to address this issue is truncating the PS estimate when constructing PS-based estimators. In this study, we propose a novel adaptive truncation method, Positivity-C-TMLE, based on the collaborative targeted maximum likelihood estimation (C-TMLE) methodology. We demonstrate the outstanding performance of our novel approach in a variety of simulations by comparing it with other commonly studied estimators. Results show that by adaptively truncating the estimated PS with a more targeted objective function, the Positivity-C-TMLE estimator achieves the best performance for both point estimation and confidence interval coverage among all estimators considered.

研究の動機と目的

• 実用的ポジティブティ仮定の違反によって引き起こされる有限標本における因果推論のパフォーマンス問題に対処すること。
• 固定しきい値ではなく、標的パrameterに基づいて最適な感受性スコアカットオフ点を特定するデータ適応型トリミング手法を開発すること。
• 強い実用的ポジティブティ違反下でも、推定量のロバストネスと効率性を向上させること。
• シミュレーションスタディにおいて、提案手法のパフォーマンスを既存のトリミング戦略と比較すること。
• 小標本における信頼区間構築のためのより信頼性の高い分散推定量を提供すること。

提案手法

• 本手法は、最適な感受性スコアトリミング分位点γをチューニングパrameterとして選択するため、共同的ターゲット付き最大尤度推定（C-TMLE）を拡張する。
• トリミング選択を、因果パramータ推定量の平均二乗誤差を標的とする最適化問題として定式化する。
• アルゴリズムは、ターゲット付き最小損失に基づく推定フレームワークを用いて、感受性スコアとトリミングレベルを反復的に更新する。
• 最適なγは、最終的な因果推定におけるバイアス・バリアンストレードオフを直接反映する損失関数を最小化することで選択される。
• 二重ロバスト推定方程式を組み込み、影響関数を用いて分散推定を行う。
• クロスバリデーションとモデルバリデーションを適用して性能を評価し、有限標本における推定誤差を最小化することに注力する。

実験結果

リサーチクエスチョン

• RQ1 感受性スコアのデータ適応型トリミング手法は、平均二乗誤差と信頼区間カバレッジの観点で、固定トリミング戦略を上回ることができるか？
• RQ2 実用的ポジティブティ違反下で、トリミングポイントの選択が因果推定量のバイアスと分散にどのように影響するか？
• RQ3 感受性スコアモデル単体ではなく、標的パramータ推定量に基づいてトリミングレベルを最適化することで、有限標本におけるパフォーマンスが向上するか？
• RQ4 特に強いポジティブティ違反下の小標本において、提案手法の分散推定量は既存手法と比較してどのように異なるか？
• RQ5 さまざまな程度の実用的ポジティブティ違反に対して、アダプティブトリミング手法のパフォーマンスはロバストか？

主な発見

• すべてのシミュレーションシナリオにおいて、Positivity-C-TMLEは平均二乗誤差と信頼区間カバレッジの観点で最良の総合的パフォーマンスを達成した。
• 本手法は、クロスバリデーションよりもポジティブティパラメータCに敏感にトリミングポイントを選択し、標本サイズの影響をより小さくした。
• Positivity-C-TMLEの分散推定量は、CV-TMLEやMV-TMLEよりもバイアスが小さく、C=2のときの平均推定標準誤差と真の標準誤差の比が0.88であった。
• CV-TMLEとMV-TMLEは分散をより強く недо측하였（C=2のとき比がそれぞれ0.51および0.49に低下）、強いポジティブティ違反下で顕著であった。
• 小標本（N=200）かつ強いポジティブティ違反（C=2）の状況では、Positivity-C-TMLEはバイアスおよび平均二乗誤差の両面でMV-TMLEを著しく上回った。
• 感受性スコアの負の対数尤度は、トリミングポイントの選択に不適切な目的関数であることが判明し、因果パラメータを直接標的にする価値を裏付けた。